Pracovní prostory/plány Microsoft.MachineLearningServices 2023-08-01-preview
Definice prostředku Bicep
Typ prostředku pracovní prostory/plány je možné nasadit s operacemi, které cílí na:
- Skupiny prostředků – viz příkazy pro nasazení skupin prostředků.
Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.
Formát prostředku
Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/schedules, přidejte do šablony následující bicep.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-preview' = {
name: 'string'
parent: resourceSymbolicName
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: bool
properties: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
tags: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
Objekty ScheduleActionBase
Nastavte vlastnost actionType a určete typ objektu.
Pro úlohu CreateJob použijte:
actionType: 'CreateJob'
jobDefinition: {
componentId: 'string'
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
notificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
properties: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
secretsConfiguration: {
{customized property}: {
uri: 'string'
workspaceSecretName: 'string'
}
{customized property}: {
uri: 'string'
workspaceSecretName: 'string'
}
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
nodes: {
nodesValueType: 'string'
// For remaining properties, see Nodes objects
}
port: int
properties: {
{customized property}: 'string'
}
}
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
nodes: {
nodesValueType: 'string'
// For remaining properties, see Nodes objects
}
port: int
properties: {
{customized property}: 'string'
}
}
}
tags: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
Pro CreateMonitor použijte:
actionType: 'CreateMonitor'
monitorDefinition: {
alertNotificationSettings: {
emailNotificationSettings: {
emails: [
'string'
]
}
}
computeConfiguration: {
computeType: 'string'
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget: {
deploymentId: 'string'
modelId: 'string'
taskType: 'string'
}
signals: {
{customized property}: {
notificationTypes: [
'string'
]
properties: {
{customized property}: 'string'
}
signalType: 'string'
// For remaining properties, see MonitoringSignalBase objects
}
}
}
V části ImportData použijte:
actionType: 'ImportData'
dataImportDefinition: {
assetName: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
dataType: 'string'
dataUri: 'string'
description: 'string'
intellectualProperty: {
protectionLevel: 'string'
publisher: 'string'
}
isAnonymous: bool
isArchived: bool
properties: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
source: {
connection: 'string'
sourceType: 'string'
// For remaining properties, see DataImportSource objects
}
stage: 'string'
tags: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
}
Pro InvokeBatchEndpoint použijte:
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any()
Objekty JobBaseProperties
Nastavte vlastnost jobType a zadejte typ objektu.
V případě automatizovaného strojového učení použijte:
jobType: 'AutoML'
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
taskDetails: {
logVerbosity: 'string'
targetColumnName: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
Jako příkaz použijte:
jobType: 'Command'
autologgerSettings: {
mlflowAutologger: 'string'
}
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
timeout: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
Pro popisování použijte:
jobType: 'Labeling'
dataConfiguration: {
dataId: 'string'
incrementalDataRefresh: 'string'
}
jobInstructions: {
uri: 'string'
}
labelCategories: {
{customized property}: {
classes: {
{customized property}: {
displayName: 'string'
subclasses: {
{customized property}: {}
}
}
displayName: 'string'
multiSelect: 'string'
}
{customized property}: {
classes: {
{customized property}: {
displayName: 'string'
subclasses: {
{customized property}: {}
}
}
displayName: 'string'
multiSelect: 'string'
}
}
labelingJobMediaProperties: {
mediaType: 'string'
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration: {
mlAssist: 'string'
// For remaining properties, see MLAssistConfiguration objects
}
V části Kanál použijte:
jobType: 'Pipeline'
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jobs: {
{customized property}: any()
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
settings: any()
sourceJobId: 'string'
Pro Spark použijte:
jobType: 'Spark'
archives: [
'string'
]
args: 'string'
codeId: 'string'
conf: {
{customized property}: 'string'
}
entry: {
sparkJobEntryType: 'string'
// For remaining properties, see SparkJobEntry objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
files: [
'string'
]
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jars: [
'string'
]
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
pyFiles: [
'string'
]
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
instanceType: 'string'
runtimeVersion: 'string'
}
Pro uklidit použijte:
jobType: 'Sweep'
componentConfiguration: {
pipelineSettings: any()
}
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
maxConcurrentTrials: int
maxTotalTrials: int
timeout: 'string'
trialTimeout: 'string'
}
objective: {
goal: 'string'
primaryMetric: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
samplingAlgorithm: {
samplingAlgorithmType: 'string'
// For remaining properties, see SamplingAlgorithm objects
}
searchSpace: any()
trial: {
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
}
Objekty IdentityConfiguration
Nastavte vlastnost identityType a určete typ objektu.
Pro AMLToken použijte:
identityType: 'AMLToken'
V případě spravovaného použijte:
identityType: 'Managed'
clientId: 'string'
objectId: 'string'
resourceId: 'string'
Jako UserIdentity použijte:
identityType: 'UserIdentity'
Objekty webhooku
Nastavte vlastnost webhookType na typ objektu.
Pro AzureDevOps použijte:
webhookType: 'AzureDevOps'
Uzly – objekty
Nastavte vlastnost nodesValueType a určete typ objektu.
V části Vše použijte:
nodesValueType: 'All'
Objekty JobOutput
Nastavte vlastnost jobOutputType a určete typ objektu.
Pro custom_model použijte:
jobOutputType: 'custom_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
Pro mlflow_model použijte:
jobOutputType: 'mlflow_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
Pro mltable použijte:
jobOutputType: 'mltable'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
Pro triton_model použijte:
jobOutputType: 'triton_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
Pro uri_file použijte:
jobOutputType: 'uri_file'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
Pro uri_folder použijte:
jobOutputType: 'uri_folder'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
Objekty AutoMLVertical
Nastavte vlastnost taskType a určete typ objektu.
Pro klasifikaci použijte:
taskType: 'Classification'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
positiveLabel: 'string'
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Pro prognózování použijte:
taskType: 'Forecasting'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
forecastingSettings: {
countryOrRegionForHolidays: 'string'
cvStepSize: int
featureLags: 'string'
featuresUnknownAtForecastTime: [
'string'
]
forecastHorizon: {
mode: 'string'
// For remaining properties, see ForecastHorizon objects
}
frequency: 'string'
seasonality: {
mode: 'string'
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig: 'string'
targetAggregateFunction: 'string'
targetLags: {
mode: 'string'
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize: {
mode: 'string'
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName: 'string'
timeSeriesIdColumnNames: [
'string'
]
useStl: 'string'
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Pro ImageClassification použijte:
taskType: 'ImageClassification'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Pro ImageClassificationMultilabel použijte:
taskType: 'ImageClassificationMultilabel'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Pro ImageInstanceSegmentation použijte:
taskType: 'ImageInstanceSegmentation'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Pro ImageObjectDetection použijte:
taskType: 'ImageObjectDetection'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Pro regresi použijte:
taskType: 'Regression'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Pro TextClassification použijte:
taskType: 'TextClassification'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
primaryMetric: 'string'
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
Pro TextClassificationMultilabel použijte:
taskType: 'TextClassificationMultilabel'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
Pro TextNER použijte:
taskType: 'TextNER'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
Objekty NCrossValidations
Nastavte vlastnost mode a určete typ objektu.
V případě automatického nastavení použijte:
mode: 'Auto'
Jako Vlastní použijte:
mode: 'Custom'
value: int
Objekty EarlyTerminationPolicy
Nastavte vlastnost policyType a určete typ objektu.
Pro bandit použijte:
policyType: 'Bandit'
slackAmount: int
slackFactor: int
Pro medianStopping použijte:
policyType: 'MedianStopping'
V části TruncationSelection použijte:
policyType: 'TruncationSelection'
truncationPercentage: int
Objekty ForecastHorizon
Nastavte vlastnost mode a určete typ objektu.
V případě automatického nastavení použijte:
mode: 'Auto'
Jako Vlastní použijte:
mode: 'Custom'
value: int
Objekty sezónnosti
Nastavte vlastnost mode a určete typ objektu.
V případě automatického nastavení použijte:
mode: 'Auto'
Jako Vlastní použijte:
mode: 'Custom'
value: int
Objekty TargetLags
Nastavte vlastnost mode a určete typ objektu.
V případě automatického nastavení použijte:
mode: 'Auto'
Jako Vlastní použijte:
mode: 'Custom'
values: [
int
]
Objekty TargetRollingWindowSize
Nastavte vlastnost mode a určete typ objektu.
V případě automatického nastavení použijte:
mode: 'Auto'
Jako Vlastní použijte:
mode: 'Custom'
value: int
Objekty DistributionConfiguration
Nastavte vlastnost distributionType a určete typ objektu.
Pro Mpi použijte:
distributionType: 'Mpi'
processCountPerInstance: int
Pro PyTorch použijte:
distributionType: 'PyTorch'
processCountPerInstance: int
Pro Ray použijte:
distributionType: 'Ray'
address: 'string'
dashboardPort: int
headNodeAdditionalArgs: 'string'
includeDashboard: bool
port: int
workerNodeAdditionalArgs: 'string'
Pro TensorFlow použijte:
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
Objekty JobInput
Nastavte vlastnost jobInputType a zadejte typ objektu.
Pro custom_model použijte:
jobInputType: 'custom_model'
mode: 'string'
uri: 'string'
Pro literál použijte:
jobInputType: 'literal'
value: 'string'
Pro mlflow_model použijte:
jobInputType: 'mlflow_model'
mode: 'string'
uri: 'string'
Pro mltable použijte:
jobInputType: 'mltable'
mode: 'string'
uri: 'string'
Pro triton_model použijte:
jobInputType: 'triton_model'
mode: 'string'
uri: 'string'
Pro uri_file použijte:
jobInputType: 'uri_file'
mode: 'string'
uri: 'string'
Pro uri_folder použijte:
jobInputType: 'uri_folder'
mode: 'string'
uri: 'string'
Objekty LabelingJobMediaProperties
Nastavte vlastnost mediaType a určete typ objektu.
Jako Obrázek použijte:
mediaType: 'Image'
annotationType: 'string'
Pro text použijte:
mediaType: 'Text'
annotationType: 'string'
Objekty MLAssistConfiguration
Nastavte vlastnost mlAssist a určete typ objektu.
V části Zakázáno použijte:
mlAssist: 'Disabled'
V části Povoleno použijte:
mlAssist: 'Enabled'
inferencingComputeBinding: 'string'
trainingComputeBinding: 'string'
Objekty SparkJobEntry
Nastavte vlastnost sparkJobEntryType a určete typ objektu.
Pro SparkJobPythonEntry použijte:
sparkJobEntryType: 'SparkJobPythonEntry'
file: 'string'
Pro SparkJobScalaEntry použijte:
sparkJobEntryType: 'SparkJobScalaEntry'
className: 'string'
SamplingAlgorithm – objekty
Nastavte vlastnost samplingAlgorithmType a určete typ objektu.
Pro Bayesian použijte:
samplingAlgorithmType: 'Bayesian'
V případě mřížky použijte:
samplingAlgorithmType: 'Grid'
Pro random použijte:
samplingAlgorithmType: 'Random'
logbase: 'string'
rule: 'string'
seed: int
MonitorComputeConfigurationBase – objekty
Nastavte vlastnost computeType a určete typ objektu.
Pro ServerlessSpark použijte:
computeType: 'ServerlessSpark'
computeIdentity: {
computeIdentityType: 'string'
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType: 'string'
runtimeVersion: 'string'
MonitorComputeIdentityBase – objekty
Nastavením vlastnosti computeIdentityType určete typ objektu.
Pro AmlToken použijte:
computeIdentityType: 'AmlToken'
Jako ManagedIdentity použijte:
computeIdentityType: 'ManagedIdentity'
identity: {
type: 'string'
userAssignedIdentities: {
{customized property}: {}
}
}
Objekty MonitoringSignalBase
Nastavte vlastnost signalType a určete typ objektu.
Jako Vlastní použijte:
signalType: 'Custom'
componentId: 'string'
inputAssets: {
{customized property}: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
workspaceConnection: {
environmentVariables: {
{customized property}: 'string'
}
secrets: {
{customized property}: 'string'
}
}
V části DataDrift použijte:
signalType: 'DataDrift'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Pro DataQuality použijte:
signalType: 'DataQuality'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Pro FeatureAttributionDrift použijte:
signalType: 'FeatureAttributionDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
metricThreshold: {
metric: 'NormalizedDiscountedCumulativeGain'
threshold: {
value: int
}
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Pro GenerationSafetyQuality použijte:
signalType: 'GenerationSafetyQuality'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
workspaceConnectionId: 'string'
Pro GenerationTokenStatistics použijte:
signalType: 'GenerationTokenStatistics'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
Pro ModelPerformance použijte:
signalType: 'ModelPerformance'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
metricThreshold: {
threshold: {
value: int
}
modelType: 'string'
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Pro PredictionDrift použijte:
signalType: 'PredictionDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase – objekty
Nastavte vlastnost inputDataType a určete typ objektu.
V případě pevného nastavení použijte:
inputDataType: 'Fixed'
Pro zajištění provozu použijte:
inputDataType: 'Rolling'
preprocessingComponentId: 'string'
windowOffset: 'string'
windowSize: 'string'
V případě statického použijte:
inputDataType: 'Static'
preprocessingComponentId: 'string'
windowEnd: 'string'
windowStart: 'string'
MonitoringFeatureFilterBase – objekty
Nastavte vlastnost filterType a určete typ objektu.
V případě funkce AllFeatures použijte:
filterType: 'AllFeatures'
Pro FeatureSubset použijte:
filterType: 'FeatureSubset'
features: [
'string'
]
Pro TopNByAttribution použijte:
filterType: 'TopNByAttribution'
top: int
Objekty DataDriftMetricThresholdBase
Nastavte vlastnost dataType a určete typ objektu.
Pro kategorické použijte:
dataType: 'Categorical'
metric: 'string'
Pro číselnou hodnotu použijte:
dataType: 'Numerical'
metric: 'string'
Objekty DataQualityMetricThresholdBase
Nastavte vlastnost dataType a určete typ objektu.
Pro kategorické použijte:
dataType: 'Categorical'
metric: 'string'
Pro číselnou hodnotu použijte:
dataType: 'Numerical'
metric: 'string'
Objekty ModelPerformanceMetricThresholdBase
Nastavte vlastnost modelType a zadejte typ objektu.
Pro klasifikaci použijte:
modelType: 'Classification'
metric: 'string'
Pro regresi použijte:
modelType: 'Regression'
metric: 'string'
PredictionDriftMetricThresholdBase – objekty
Nastavte vlastnost dataType a určete typ objektu.
Pro kategorické použijte:
dataType: 'Categorical'
metric: 'string'
Pro číselnou hodnotu použijte:
dataType: 'Numerical'
metric: 'string'
Objekty DataImportSource
Nastavte vlastnost sourceType a určete typ objektu.
Pro databázi použijte:
sourceType: 'database'
query: 'string'
storedProcedure: 'string'
storedProcedureParams: [
{
{customized property}: 'string'
}
]
tableName: 'string'
Pro file_system použijte:
sourceType: 'file_system'
path: 'string'
Objekty TriggerBase
Nastavte vlastnost triggerType a určete typ objektu.
Pro Cron použijte:
triggerType: 'Cron'
expression: 'string'
Pro opakování použijte:
triggerType: 'Recurrence'
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
Hodnoty vlastností
pracovní prostory/plány
Název | Description | Hodnota |
---|---|---|
name | Název prostředku Podívejte se, jak nastavit názvy a typy pro podřízené prostředky v nástroji Bicep. |
string (povinné) |
Nadřazené | V nástroji Bicep můžete zadat nadřazený prostředek podřízeného prostředku. Tuto vlastnost stačí přidat pouze v případě, že je podřízený prostředek deklarován mimo nadřazený prostředek. Další informace najdete v tématu Podřízený prostředek mimo nadřazený prostředek. |
Symbolický název prostředku typu: pracovní prostory |
properties | [Povinné] Další atributy entity | Vlastnosti plánu (povinné) |
Vlastnosti plánu
Název | Description | Hodnota |
---|---|---|
action | [Povinné] Určuje akci plánu. | ScheduleActionBase (povinné) |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název plánu | řetězec |
Isenabled | Je plán povolený? | bool |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
Aktivační událost | [Povinné] Určuje podrobnosti o triggeru. | TriggerBase (povinné) |
ScheduleActionBase
Název | Description | Hodnota |
---|---|---|
actionType | Nastavení typu objektu | Vytvořit úlohu CreateMonitor Importovat data InvokeBatchEndpoint (povinné) |
Akce JobScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | Vytvořit úlohu (povinné) |
definice úlohy | [Povinné] Definuje podrobnosti definice akce plánu. | JobBaseProperties (povinné) |
JobBaseProperties
Název | Description | Hodnota |
---|---|---|
id komponenty | ID prostředku arm prostředku komponenty. | řetězec |
computeId | ID prostředku ARM výpočetního prostředku | řetězec |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název úlohy | řetězec |
název experimentu | Název experimentu, do který úloha patří. Pokud není nastavená, úloha se umístí do experimentu Výchozí. | řetězec |
identity | Konfigurace identity. Pokud je nastaveno, měl by to být AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota je AmlToken, pokud je null. |
Konfigurace identity |
isArchived | Je prostředek archivovaný? | bool |
nastavení oznámení | Nastavení oznámení pro úlohu | Nastavení oznámení |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
konfigurace tajných kódů | Konfigurace tajných kódů, které se mají zpřístupnit za běhu | JobBaseSecretsConfiguration |
services | Seznam koncových bodů úloh. Pro místní úlohy bude koncový bod úlohy mít hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
typ úlohy | Nastavení typu objektu | AutoML Příkaz Označování Kanál Spark Uklidit (povinné) |
Konfigurace identity
Název | Description | Hodnota |
---|---|---|
identityType | Nastavení typu objektu | AMLToken Spravované Identita uživatele (povinné) |
AmlToken
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | AMLToken (povinné) |
Spravovaná identita
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | Spravované (povinné) |
clientId | Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené toto pole nenastavujte. | řetězec |
Identita uživatele
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | UserIdentity (povinné) |
Nastavení oznámení
Název | Description | Hodnota |
---|---|---|
e-mailOn | Odeslání e-mailového oznámení uživateli při zadaném typu oznámení | Pole řetězců obsahující některou z těchto možností: 'JobCancelled' JobCompleted Úloha selhala |
E-maily | Toto je seznam příjemců e-mailu s omezením celkem 499 znaků s oddělovačem čárky. | string[] |
webhooky | Odeslání zpětného volání webhooku službě Klíč je uživatelsky zadaný název webhooku. | NotificationSettingWebhooks |
NotificationSettingWebhooks
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Webhook |
Webhook
Název | Description | Hodnota |
---|---|---|
eventType | Odeslání zpětného volání u zadané události oznámení | řetězec |
webhookType | Nastavení typu objektu | AzureDevOps (povinné) |
AzureDevOpsWebhook
Název | Description | Hodnota |
---|---|---|
webhookType | [Povinné] Určuje typ služby pro odeslání zpětného volání. | AzureDevOps (povinné) |
ResourceBaseProperties
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec |
JobBaseSecretsConfiguration
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | SecretConfiguration | |
{přizpůsobená vlastnost} | SecretConfiguration |
SecretConfiguration
Název | Description | Hodnota |
---|---|---|
Uri | Identifikátor URI tajného kódu Ukázkový identifikátor URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
řetězec |
workspaceSecretName | Název tajného kódu v trezoru klíčů pracovního prostoru. | řetězec |
JobBaseServices
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | JobService | |
{přizpůsobená vlastnost} | JobService |
JobService
Název | Description | Hodnota |
---|---|---|
endpoint | Adresa URL koncového bodu | řetězec |
jobServiceType | Typ koncového bodu. | řetězec |
Uzly | Uzly, na které chce uživatel službu spustit. Pokud uzly nejsou nastaveny nebo nastaveny na hodnotu null, bude služba spuštěna pouze na hlavním uzlu. |
Uzly |
port | Port pro koncový bod nastavený uživatelem | int |
properties | Další vlastnosti, které se mají nastavit na koncovém bodu. | JobServiceProperties |
Uzly
Název | Description | Hodnota |
---|---|---|
nodesValueType | Nastavení typu objektu | Vše (povinné) |
Všechny uzly
Název | Description | Hodnota |
---|---|---|
nodesValueType | [Povinné] Typ hodnoty Nodes | "Vše" (povinné) |
JobServiceProperties
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
AutoMLJob
Název | Description | Hodnota |
---|---|---|
jobType | [Povinné] Určuje typ úlohy. | AutoML (povinné) |
environmentId | ID prostředku ARM specifikace prostředí pro úlohu Jedná se o volitelnou hodnotu, která se má zadat, pokud není zadaná, autoML ji při spuštění úlohy nastaví na verzi prostředí kurátorované v produkčním automatickém strojovém učení. |
řetězec |
environmentVariables | Proměnné prostředí zahrnuté v úloze. | AutoMLJobEnvironmentVariables |
Výstupy | Mapování výstupních datových vazeb používaných v úloze | AutoMLJobOutputs |
queueSettings | Nastavení fronty pro úlohu | QueueSettings |
resources | Konfigurace výpočetních prostředků pro úlohu | JobResourceConfiguration |
taskDetails | [Povinné] To představuje scénář, který může být jedním z tabulek, NLP nebo image. | AutoMLVertical (povinné) |
AutoMLJobEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
AutoMLJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Output úlohy |
Output úlohy
Název | Description | Hodnota |
---|---|---|
description | Popis výstupu | řetězec |
jobOutputType | Nastavení typu objektu | custom_model mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "custom_model" (povinné) |
assetName | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Automatické odstranění nastavení výstupního datového prostředku | AutoDeleteSetting |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' Nahrání |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
AutoDeleteSetting
Název | Description | Hodnota |
---|---|---|
Podmínka | Kdy zkontrolovat, jestli nevypršela platnost prostředku | 'CreatedGreaterThan' LastAccessedGreaterThan |
hodnota | Hodnota podmínky vypršení platnosti | řetězec |
MLFlowModelJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "mlflow_model" (povinné) |
assetName | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Automatické odstranění nastavení výstupního datového prostředku | AutoDeleteSetting |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' Nahrání |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
MLTableJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | 'mltable' (povinné) |
assetName | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Automatické odstranění nastavení výstupního datového prostředku | AutoDeleteSetting |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' Nahrání |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
TritonModelJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "triton_model" (povinné) |
assetName | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Automatické odstranění nastavení výstupního datového prostředku | AutoDeleteSetting |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' Nahrání |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
UriFileJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "uri_file" (povinné) |
assetName | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Automatické odstranění nastavení výstupního datového prostředku | AutoDeleteSetting |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' Nahrání |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
UriFolderJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "uri_folder" (povinné) |
assetName | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Automatické odstranění nastavení výstupního datového prostředku | AutoDeleteSetting |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' Nahrání |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
QueueSettings
Název | Description | Hodnota |
---|---|---|
jobTier | Řídí úroveň výpočetní úlohy. | 'Základní' Null Premium "Spot" 'Standardní' |
Prioritou | Řídí prioritu úlohy na výpočetních prostředcích. | int |
Konfigurace zdroje úlohy
Název | Description | Hodnota |
---|---|---|
dockerArgs | Další argumenty, které se předávají do příkazu Docker run. Tím by se přepsaly všechny parametry, které už byly nastaveny systémem nebo v této části. Tento parametr se podporuje pouze pro výpočetní typy Azure ML. | řetězec |
instanceCount | Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem | int |
typ instance | Volitelný typ virtuálního počítače, který se používá jako podporovaný cílovým výpočetním objektem. | řetězec |
Umístění | Umístění, kde je možné úlohu spustit. | string[] |
maxInstanceCount | Volitelný maximální povolený počet instancí nebo uzlů, které má cílový výpočetní objekt použít. Pro použití s elastickým trénováním, které aktuálně podporuje pouze typ distribuce PyTorch. |
int |
properties | Další kontejner vlastností. | Vlastnosti konfigurace prostředků |
velikost shmSize | Velikost bloku sdílené paměti kontejneru Dockeru Mělo by to být ve formátu (number)(unit), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajtů) nebo g(gigabajtů). | řetězec Omezení: Vzor = \d+[bBkKmMgG] |
Vlastnosti konfigurace prostředků
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Pro Bicep můžete použít funkci any(). | |
{přizpůsobená vlastnost} | Pro Bicep můžete použít funkci any(). |
AutoMLVertical
Název | Description | Hodnota |
---|---|---|
logVerbosity | Podrobnosti protokolování pro úlohu | 'Kritické' Ladění 'Chyba' 'Informace' NotSet 'Upozornění' |
targetColumnName | Název cílového sloupce: Jedná se o sloupec hodnot predikce. V kontextu úkolů klasifikace se označuje také jako název sloupce popisku. |
řetězec |
trénovacídata | [Povinné] Trénování vstupu dat. | MLTableJobInput (povinné) |
taskType | Nastavení typu objektu | Klasifikace Prognózování ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regrese Klasifikace textu TextClassificationMultilabel TextNER (povinné) |
MLTableJobInput
Název | Description | Hodnota |
---|---|---|
description | Popis vstupu | řetězec |
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" 'literal' "mlflow_model" 'mltable' 'triton_model' 'uri_file' "uri_folder" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
Klasifikace
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | Klasifikace (povinné) |
cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
featurizationSettings | Vstupy extrakce příznaků potřebné pro úlohu AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | TableFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | TableVerticalLimitSettings |
nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
pozitivní Popisek | Kladný popisek pro výpočet binárních metrik | řetězec |
primaryMetric | Primární metrika úkolu | 'AUCWeighted' 'Přesnost' AveragePrecisionScoreWeighted 'NormMacroRecall' 'PrecisionScoreWeighted' |
prostor vyhledávání | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
sweepSettings | Nastavení pro zametání modelů a ladění hyperparametrů | Nastavení tabulky |
Testdata | Otestujte vstup dat. | MLTableJobInput |
testDataSize | Část testovací datové sady, která musí být vyhrazena pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | ClassificationTrainingSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
váhový NázevSloupce | Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech jsou vážené nahoru nebo dolů. | řetězec |
TableVerticalFeaturizationSettings
Název | Description | Hodnota |
---|---|---|
blockedTransformers | Tyto transformátory se nesmí používat při extrakci příznaků. | Pole řetězců obsahující některou z těchto možností: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' "NaiveBayes" 'OneHotEncoder' 'TextTargetEncoder' TfIdf 'WoETargetEncoder' 'WordEmbedding' |
columnNameAndTypes | Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.) | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Jazyk datové sady, který je užitečný pro textová data. | řetězec |
enableDnnFeaturization | Určuje, zda se mají používat featurizátory založené na Dnn pro extrakci dat. | bool |
režim | Režim extrakce příznaků – Uživatel může zachovat výchozí automatický režim a AutoML se postará o nezbytnou transformaci dat ve fázi extrakce příznaků. Pokud je vybrána možnost Vypnuto, není provedena žádná extrakce příznaků. Pokud je vybrána možnost Vlastní, uživatel může zadat další vstupy pro přizpůsobení způsobu extrakce příznaků. |
'Automaticky' 'Vlastní' Vypnuto |
transformerParams | Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které by se použil, a parametry konstruktoru transformátoru. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
TableVerticalFeaturizationSettingsTransformerParams
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | SloupecTransformer[] |
ColumnTransformer
Název | Description | Hodnota |
---|---|---|
fields | Pole, na která se má použít logika transformátoru | string[] |
parameters | Různé vlastnosti, které mají být předány transformátoru. Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON. |
Pro Bicep můžete použít funkci any(). |
TableFixedParameters
Název | Description | Hodnota |
---|---|---|
Booster | Zadejte typ zesílení, například gbdt pro XGBoost. | řetězec |
boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
growPolicy | Zadejte zásadu zvětšení, která řídí způsob, jakým se nové uzly přidávají do stromu. | řetězec |
learningRate | Rychlost učení pro postup trénování | int |
MaxBin | Zadejte Maximální počet diskrétních přihrádek pro průběžné funkce kontejneru . | int |
maxDepth | Zadejte maximální hloubku, aby se hloubka stromu omezila explicitně. | int |
maxLeaves | Zadejte maximální počet listů, aby se listy stromu omezily explicitně. | int |
minDataInLeaf | Minimální počet dat na list. | int |
minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na uzlu typu list stromu. | int |
název_modelu | Název modelu, který se má vytrénovat. | řetězec |
nEstimátory | Zadejte počet stromů (nebo kruhových zaokrouhlení) v modelu. | int |
numLeaves | Zadejte počet listů. | int |
Název preprocesoru | Název preprocesoru, který se má použít. | řetězec |
regAlpha | L1 regularization term on weights. | int |
regLambda | Termín regularizace L2 na váze. | int |
subsample | Subsample poměr trénovací instance. | int |
subsampleFreq | Frekvence podpřízoru. | int |
treeMethod | Zadejte metodu stromu. | řetězec |
s aplikacíMean | Pokud je true, před škálováním dat pomocí StandardScalar vycentrujte. | bool |
sestd | Pokud je true, škálujte data pomocí Unit Variance pomocí StandardScalar. | bool |
TableVerticalLimitSettings
Název | Description | Hodnota |
---|---|---|
enableEarlyTermination | Povolení předčasného ukončení určuje, jestli se úloha Automatického strojového učení předčasně ukončí, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre. | bool |
exitScore | Skóre ukončení úlohy AutoML | int |
maxConcurrentTrials | Maximální počet souběžných iterací. | int |
maxCoresPerTrial | Maximální počet jader na iteraci | int |
maxNodes | Maximální počet uzlů, které se mají použít pro experiment. | int |
maxTrials | Počet iterací. | int |
sweepConcurrentTrials | Počet souběžných spuštění úklidu, která chce uživatel aktivovat. | int |
sweepTrials | Počet spuštění úklidu, která chce uživatel aktivovat. | int |
timeout | Vypršení časového limitu úlohy AutoML | řetězec |
trialTimeout | Vypršení časového limitu iterace. | řetězec |
NCrossValidations
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoNCrossValidations
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim pro určení N-Křížového ověřování | "Automaticky" (povinné) |
CustomNCrossValidations
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim pro určení N-Křížového ověřování | 'Vlastní' (povinné) |
hodnota | [Povinné] Hodnota N-Cross validations | int (povinné) |
TableParameterSubspace
Název | Description | Hodnota |
---|---|---|
Booster | Zadejte typ zesílení, například gbdt pro XGBoost. | řetězec |
boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
growPolicy | Zadejte zásadu zvětšení, která řídí způsob přidání nových uzlů do stromu. | řetězec |
learningRate | Rychlost učení pro postup trénování. | řetězec |
MaxBin | Zadejte Maximální počet diskrétních intervalů pro spojité funkce kontejneru . | řetězec |
maxDepth | Zadejte maximální hloubku, aby se hloubka stromu omezila explicitně. | řetězec |
maxLeaves | Pokud chcete explicitně omezit listy stromu, zadejte maximální počet listů. | řetězec |
minDataInLeaf | Minimální počet dat na list. | řetězec |
minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu. | řetězec |
modelName | Název modelu, který chcete vytrénovat. | řetězec |
nEstimátory | Zadejte počet stromů (neboli kruhů) v modelu. | řetězec |
numLeaves | Zadejte počet listů. | řetězec |
název preprocesoru | Název preprocesoru, který se má použít. | řetězec |
regAlpha | L1 regularization term on weights. | řetězec |
regLambda | Termín regularizace L2 na váze. | řetězec |
subsample | Subsample poměr trénovací instance. | řetězec |
subsampleFreq | Frekvence podpřízorku | řetězec |
treeMethod | Zadejte metodu stromu. | řetězec |
s aplikacíMean | Pokud je true, před škálováním dat pomocí StandardScalar vycentrujte. | řetězec |
sestd | Pokud je true, škálujte data pomocí Unit Variance pomocí StandardScalar. | řetězec |
Nastavení tabulky
Název | Description | Hodnota |
---|---|---|
earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
samplingAlgorithm | [Povinné] Typ algoritmu vzorkování | "Bayesovská" 'Mřížka' 'Random' (povinné) |
EarlyTerminationPolicy
Název | Description | Hodnota |
---|---|---|
delayEvaluation | Počet intervalů, o které se má zpozdit první vyhodnocení | int |
evaluationInterval | Interval (počet spuštění) mezi vyhodnoceními zásad | int |
policyType | Nastavení typu objektu | Bandita MediánStopping TruncationSelection (povinné) |
Zásady bandit
Název | Description | Hodnota |
---|---|---|
policyType | [Povinné] Název konfigurace zásad | 'Bandit' (povinné) |
slackAmount | Je povolená absolutní vzdálenost od běhu s nejlepším výkonem. | int |
SlackFactor | Poměr povolené vzdálenosti od nejvýkonnějšího běhu | int |
Zásady medianStoppingPolicy
Název | Description | Hodnota |
---|---|---|
policyType | [Povinné] Název konfigurace zásad | 'MedianStopping' (povinné) |
TruncationSelectionPolicy
Název | Description | Hodnota |
---|---|---|
policyType | [Povinné] Název konfigurace zásad | TruncationSelection (povinné) |
truncationPercentage | Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení. | int |
ClassificationTrainingSettings
Název | Description | Hodnota |
---|---|---|
allowedTrainingAlgorithms | Povolené modely pro úlohu klasifikace | Pole řetězců obsahující některou z těchto možností: BernoulliNaiveBayes 'DecisionTree' 'ExtremeRandomTrees' GradientBoosting 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' SVM 'XGBoostClassifier' |
blockedTrainingAlgorithms | Blokované modely pro úlohu klasifikace | Pole řetězců obsahující některou z těchto možností: BernoulliNaiveBayes 'DecisionTree' 'ExtremeRandomTrees' GradientBoosting 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' SVM 'XGBoostClassifier' |
enableDnnTraining | Povolte doporučení modelů DNN. | bool |
enableModelExplainability | Příznak pro zapnutí vysvětlitelnosti u nejlepšího modelu. | bool |
enableOnnxCompatibleModels | Příznak pro povolení modelů kompatibilních s onnx. | bool |
enableStackEnsemble | Povolte spuštění souboru zásobníku. | bool |
enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | bool |
ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne více fitovaných modelů z předchozích podřízených spuštění. Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
nastavení stackEnsembleSettings | Spustí se nastavení souboru zásobníku pro soubor zásobníku. | Nastavení StackEnsembleSettings |
trénovací režim | Režim TrainingMode – nastavení na "auto" je stejné jako nastavení na "nedistribuovaný", ale v budoucnu může vést k výběru režimu na základě smíšeného režimu nebo heuristiky. Výchozí hodnota je auto. Pokud je distribuované, použije se pouze distribuovaná funkce a zvolí se distribuované algoritmy. Pokud "NonDistributed", pak jsou vybrány pouze nedistribuované algoritmy. |
'Automaticky' 'Distribuované' Nedistributed |
Nastavení StackEnsembleSettings
Název | Description | Hodnota |
---|---|---|
stackMetaLearnerKWargs | Volitelné parametry, které se mají předat inicializátoru metaučovače. | Pro Bicep můžete použít funkci any(). |
stackMetaLearnerTrainPercentage | Určuje poměrnou část trénovací sady (při výběru typu trénování a ověřování trénování), která má být vyhrazena pro trénování metaučáka. Výchozí hodnota je 0,2. | int |
stackMetaLearnerType | Metaučovač je model trénovaný na výstupu jednotlivých heterogenních modelů. | ElasticNet ElasticNetCV 'LightGBMClassifier' 'LightGBMRegressor' 'Lineární regrese' 'LogisticRegression' 'LogisticRegressionCV' 'Žádný' |
Prognózování
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | Prognózování (povinné) |
cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
featurizationSettings | Vstupy extrakce příznaků potřebné pro úlohu AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | TableFixedParameters |
forecastingSettings | Forecasting task specific vstupy. | ForecastingSettings |
limitSettings | Omezení spouštění pro úlohu AutoML. | TableVerticalLimitSettings |
nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
primaryMetric | Primární metrika pro úkol prognózování | NormalizedMeanAbsoluteError NormaldRootMeanSquaredError R2Score 'SpearmanCorrelation' |
prostor vyhledávání | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
Testdata | Testování vstupu dat | MLTableJobInput |
testDataSize | Zlomek testovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | ForecastingTrainingSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
weightColumnName | Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje jako vstup vážený sloupec, což způsobuje, že se řádky v datech váží nahoru nebo dolů. | řetězec |
ForecastingSettings
Název | Description | Hodnota |
---|---|---|
countryOrRegionForHolidays | Země nebo oblast pro svátky pro úkoly prognózování Mělo by to být dvoumísmenné kódy země/oblasti ISO 3166, například "US" nebo "GB". |
řetězec |
cvStepSize | Počet období mezi časem vzniku jednoho přeložení životopisu a dalším přeložením. ProCVStepSize Pokud je například = 3 pro denní data, čas počátku každého záhybů budetři dny od sebe. |
int |
featureLags | Příznak pro generování prodlev pro číselné funkce s "auto" nebo null. | 'Automaticky' 'Žádný' |
featuresUnknownAtForecastTime | Sloupce funkcí, které jsou k dispozici pro trénování, ale neznámé v době prognózy nebo odvozování Pokud features_unknown_at_forecast_time není nastaven, předpokládá se, že jsou v době odvozování známé všechny sloupce funkcí v datové sadě. |
string[] |
forecastHorizon | Požadovaný maximální horizont prognózy v jednotkách frekvence časových řad. | ForecastHorizon |
frequency | Při prognózování tento parametr představuje období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datové sady. | řetězec |
Sezónnost | Nastavte sezónnost časových řad jako celočíselný násobek frekvence řady. Pokud je sezónnost nastavená na "auto", bude odvozena. |
Sezónnost |
shortSeriesHandlingConfig | Parametr definující, jak má AutoML zpracovávat krátké časové řady. | 'Automaticky' 'Drop' 'Žádný' 'Pad' |
targetAggregateFunction | Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala frekvenci zadané uživatelem. Pokud je targetAggregateFunction nastaven, tj. nikoli None, ale není nastaven parametr freq, dojde k chybě. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední". |
'Max' 'Střední' "Min" 'Žádný' 'Součet' |
targetLags | Počet minulých období, která mají být zpožděna od cílového sloupce. | Cílovélagy |
targetRollingWindowSize | Počet minulých období použitých k vytvoření průměru klouzavého okna cílového sloupce. | TargetRollingWindowSize |
timeColumnName | Název sloupce času. Tento parametr se vyžaduje při prognózování, aby bylo možné zadat sloupec datetime ve vstupních datech použitých pro sestavení časové řady a odvození její frekvence. | řetězec |
timeSeriesIdColumnNames | Názvy sloupců sloužících k seskupení časových období. Dá se použít k vytvoření více řad. Pokud není definováno zrnění, předpokládá se, že datová sada je jednou časovou řadou. Tento parametr se používá s prognózováním typu úlohy. |
string[] |
useStl | Nakonfigurujte rozklad STL cílového sloupce časové řady. | 'Žádný' 'Sezóna' 'SeasonTrend' |
ForecastHorizon
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
Automatické předsměrové vysíláníHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru hodnot horizontu prognózy. | "Automaticky" (povinné) |
CustomForecastHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru hodnot horizontu prognózy. | Vlastní (povinné) |
hodnota | [Povinné] Hodnota horizontu prognózy. | int (povinné) |
Sezónnost
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoSeasonality
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim sezónnosti. | "Automaticky" (povinné) |
VlastníSeasonality
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim sezónnosti. | Vlastní (povinné) |
hodnota | [Povinné] Hodnota sezónnosti. | int (povinné) |
Cílovélagy
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoTargetLags
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavení režimu prodlevy cíle – automatické nebo vlastní | "Automaticky" (povinné) |
CustomTargetLags
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavení režimu prodlevy cíle – automatické nebo vlastní | Vlastní (povinné) |
values | [Povinné] Nastavte hodnoty prodlevy cíle. | int[] (povinné) |
TargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoTargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim detekce TargetRollingWindowSiz. | "Automaticky" (povinné) |
CustomTargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim detekce TargetRollingWindowSiz. | Vlastní (povinné) |
hodnota | [Povinné] Hodnota TargetRollingWindowSize. | int (povinné) |
ForecastingTrainingSettings
Název | Description | Hodnota |
---|---|---|
allowedTrainingAlgorithms | Povolené modely pro úlohu prognózování | Pole řetězců obsahující některou z těchto možností: "Arimax" 'AutoArima' "Průměr" 'DecisionTree' ElasticNet 'ExponentialSmoothing' 'ExtremeRandomTrees' GradientBoosting "KNN" LassoLars 'LightGBM' 'Naive' 'Prorok' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Blokované modely pro úlohu prognózování | Pole řetězců obsahující některou z těchto možností: "Arimax" 'AutoArima' "Průměr" 'DecisionTree' ElasticNet 'ExponentialSmoothing' 'ExtremeRandomTrees' GradientBoosting "KNN" LassoLars 'LightGBM' 'Naive' 'Prorok' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
enableDnnTraining | Povolte doporučení modelů DNN. | bool |
enableModelExplainability | Příznakem zapnete u nejlepšího modelu vysvětlitelnost. | bool |
enableOnnxCompatibleModels | Příznak pro povolení modelů kompatibilních s onnx. | bool |
enableStackEnsemble | Povolte spuštění souboru zásobníku. | bool |
enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | bool |
ensembleModelDownloadTimeout | Během generování modelů VotingEnsemble a StackEnsemble se stáhne několik modelů vybavených z předchozích podřízených spuštění. Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
stackEnsembleSettings | Nastavení souboru zásobníku pro spuštění souboru zásobníku. | StackEnsembleSettings |
trainingMode | Režim TrainingMode – nastavení na "auto" je stejné jako nastavení na zatím nedistribuovaný režim, ale v budoucnu může vést k výběru režimu na základě heuristiky. Výchozí hodnota je "auto". Pokud je "Distribuované", použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud "NonDistributed", jsou vybrány pouze nedistribuované algoritmy. |
'Automaticky' 'Distribuované' Nedistributed |
ImageClassification
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | ImageClassification (povinné) |
limitSettings | [Povinné] Omezení nastavení pro úlohu AutoML | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu | ImageModelSettingsClassification |
primaryMetric | Primární metrika pro optimalizaci pro tento úkol | 'AUCWeighted' 'Přesnost' AveragePrecisionScoreWeighted NormMacroRecall 'PrecisionScoreWeighted' |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Nastavení související s úklidem modelů a hyperparametry. | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
ImageLimitSettings
Název | Description | Hodnota |
---|---|---|
maxConcurrentTrials | Maximální počet souběžných iterací Automatizovaného strojového učení | int |
maxTrials | Maximální počet iterací Automatizovaného strojového učení | int |
timeout | Vypršel časový limit úlohy Automatizovaného strojového učení. | řetězec |
ImageModelSettingsClassification
Název | Description | Hodnota |
---|---|---|
advancedSettings | Nastavení pro pokročilé scénáře | řetězec |
amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | bool |
rozšíření | Nastavení pro používání rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | int |
beta2 | Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | int |
kontrolní bodFrequency | Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. | int |
checkpointModel | Předem vytrénovaný model kontrolních bodů pro přírůstkové trénování. | MLFlowModelJobInput |
checkpointRunId | ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. | řetězec |
Distribuované | Jestli se má použít distribuované trénování. | bool |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | bool |
earlyStoppingDelay | Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky je sledováno pro předčasné zastavení. Musí být kladné celé číslo. |
int |
earlyStoppingPatience | Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před spuštění je zastaveno. Musí být kladné celé číslo. |
int |
enableOnnxNormalization | Povolení normalizace při exportu modelu ONNX | bool |
evaluationFrequency | Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | int |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při shromažďování gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
int |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo. Například předání 2 jako hodnoty pro 'seresnext' znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. | int |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. | 'Žádný' 'Krok' "WarmupCosine" |
název_modelu | Název modelu, který se má použít pro trénování. Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
Hybnost | Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. | int |
Nesterov | Povolte nesterov, pokud je optimalizátor "sgd". | bool |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | int |
numberOfWorkers | Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. | int |
Optimalizátor | Typ optimalizátoru | Adam Adamw 'Žádný' 'Sgd' |
randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | int |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1]. | int |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | int |
trainingBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | int |
trainingCropSize | Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. | int |
validationBatchSize | Velikost dávky ověření. Musí být kladné celé číslo. | int |
validationCropSize | Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. | int |
validationResizeSize | Velikost obrázku, na kterou se má změnit velikost před oříznutím pro účely ověření datové sady. Musí být kladné celé číslo. | int |
warmupCosineLRCycles | Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. | int |
warmupCosineLRWarmupEpochs | Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. | int |
váhaDecay | Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. | int |
weightedLoss | Vážená ztráta. Akceptované hodnoty jsou 0 pro žádné vážené ztráty. 1 pro hubnutí sqrt. (class_weights). 2 pro hubnutí s class_weights. Musí být 0, 1 nebo 2. |
int |
MLFlowModelJobInput
Název | Description | Hodnota |
---|---|---|
description | Popis vstupu. | řetězec |
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" 'literál' 'mlflow_model' 'mltable' 'triton_model' "uri_file" "uri_folder" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
Název | Description | Hodnota |
---|---|---|
amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | řetězec |
rozšíření | Nastavení pro používání rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | řetězec |
beta2 | Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | řetězec |
Distribuované | Jestli se má použít trénování distribuce. | řetězec |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | řetězec |
earlyStoppingDelay | Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky je sledováno pro předčasné zastavení. Musí být kladné celé číslo. |
řetězec |
earlyStoppingPatience | Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před spuštění je zastaveno. Musí být kladné celé číslo. |
řetězec |
enableOnnxNormalization | Povolení normalizace při exportu modelu ONNX | řetězec |
evaluationFrequency | Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | řetězec |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při shromažďování gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
řetězec |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo. Například předání 2 jako hodnoty pro 'seresnext' znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
learningRate | Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. | řetězec |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. | řetězec |
název_modelu | Název modelu, který se má použít pro trénování. Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
Hybnost | Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
Nesterov | Povolte nesterov, pokud je optimalizátor sgd. | řetězec |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | řetězec |
numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | řetězec |
Optimalizátor | Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". | řetězec |
randomSeed | Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. | řetězec |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | řetězec |
trénováníBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | řetězec |
trainingCropSize | Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. | řetězec |
validationBatchSize | Velikost dávky ověření. Musí být kladné celé číslo. | řetězec |
validationCropSize | Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. | řetězec |
validationResizeSize | Velikost obrázku, na kterou se má změnit velikost před oříznutím pro účely ověření datové sady. Musí být kladné celé číslo. | řetězec |
warmupCosineLRCycles | Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. | řetězec |
warmupCosineLRWarmupEpochs | Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. | řetězec |
váhaDecay | Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. | řetězec |
weightedLoss | Vážená ztráta. Akceptované hodnoty jsou 0 pro žádné vážené ztráty. 1 pro hubnutí sqrt. (class_weights). 2 pro hubnutí s class_weights. Musí být 0, 1 nebo 2. |
řetězec |
ImageSweepSettings
Název | Description | Hodnota |
---|---|---|
earlyTermination | Typ zásad předčasného ukončení. | EarlyTerminationPolicy |
samplingAlgorithm | [Povinné] Typ algoritmů vzorkování hyperparametrů | "Bayesian" 'Mřížka' 'Random' (povinné) |
ImageClassificationMultilabel
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | ImageClassificationMultilabel (povinné) |
limitSettings | [Povinné] Omezení nastavení pro úlohu AutoML | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu | ImageModelSettingsClassification |
primaryMetric | Primární metrika pro optimalizaci pro tento úkol | 'AUCWeighted' 'Přesnost' AveragePrecisionScoreWeighted "IOU" NormMacroRecall 'PrecisionScoreWeighted' |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Nastavení související s úklidem modelů a hyperparametry. | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
ImageInstanceSegmentation
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | ImageInstanceSegmentation (povinné) |
limitSettings | [Povinné] Omezení nastavení pro úlohu AutoML | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu | ImageModelSettingsObjectDetection |
primaryMetric | Primární metrika pro optimalizaci pro tento úkol | 'MeanAveragePrecision' |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Nastavení související s úklidem modelů a hyperparametry. | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
ImageModelSettingsObjectDetection
Název | Description | Hodnota |
---|---|---|
advancedSettings | Nastavení pro pokročilé scénáře. | řetězec |
amsGradient | Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". | bool |
rozšíření | Nastavení pro použití rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | int |
beta2 | Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | int |
boxDetectionsPerImage | Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
boxScoreThreshold | Během odvozováním vrací pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí být float v rozsahu[0, 1]. |
int |
kontrolní bodFrequency | Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. | int |
checkpointModel | Předtrénovaný model kontrolních bodů pro přírůstkové trénování | MLFlowModelJobInput |
checkpointRunId | ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. | řetězec |
Distribuované | Jestli se má použít distribuované trénování. | bool |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | bool |
earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky je sledován pro brzké zastavení. Musí být kladné celé číslo. |
int |
earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před spuštění je zastaveno. Musí být kladné celé číslo. |
int |
enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | bool |
evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | int |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při kumulaci gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
int |
Imagesize | Velikost obrázku pro trénování a ověřování Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
int |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. | int |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. | 'Žádný' 'Krok' "WarmupCosine" |
logTrainingMetrics | Povolte výpočetní a protokolovací metriky pro trénování. | 'Zakázat' Povolit |
logValidationLoss | Povolte výpočetní a protokolovací ztrátu ověřování. | 'Zakázat' Povolit |
maxSize | Maximální velikost obrázku, který se má před odesláním do páteřní sítě změnit měřítko. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
Minsize | Minimální velikost obrázku, která se má před odesláním do páteřní sítě změnit měřítko. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
název_modelu | Název modelu, který se má použít pro trénování. Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
velikost modelu | Velikost modelu. Musí to být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je model příliš velký. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
"ExtraLarge" 'Velký' "Střední" 'Žádný' "Malý" |
Hybnost | Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. | int |
multiscale | Povolte image s více měřítky tím, že velikost obrázku se liší o +/-50 %. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
bool |
Nesterov | Povolte nesterov, pokud je optimalizátor sgd. | bool |
nmsIouThreshold | Prahová hodnota IOU použitá při odvození v nms následném zpracování. Musí se jednat o float v rozsahu [0, 1]. | int |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | int |
numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | int |
Optimalizátor | Typ optimalizátoru | "Adam" Adamw 'Žádný' 'Sgd' |
randomSeed | Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. | int |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. | int |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | int |
tileGridSize | Velikost mřížky, která se má použít pro dlaždici každého obrázku. Poznámka: TileGridSize nesmí být Žádná, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
dlaždiceOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
tilePredictionsNmsThreshold | Prahová hodnota IOU, která se použije k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
trainingBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | int |
validationBatchSize | Velikost dávky ověření. Musí být kladné celé číslo. | int |
validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být float v rozsahu [0, 1]. | int |
validationMetricType | Metoda výpočtu metrik, která se má použít pro ověřovací metriky. | "Coco" "CocoVoc" 'Žádný' 'Voc' |
warmupCosineLRCycles | Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. | int |
warmupCosineLRWarmupEpochs | Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. | int |
váhaDecay | Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. | int |
ImageModelDistributionSettingsObjectDetection
Název | Description | Hodnota |
---|---|---|
amsGradient | Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". | řetězec |
rozšíření | Nastavení pro použití rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
beta2 | Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
boxDetectionsPerImage | Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
boxScoreThreshold | Během odvozováním vrací pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí být float v rozsahu[0, 1]. |
řetězec |
Distribuované | Jestli se má použít trénování distribuce. | řetězec |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | řetězec |
earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky je sledován pro brzké zastavení. Musí být kladné celé číslo. |
řetězec |
earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před spuštění je zastaveno. Musí být kladné celé číslo. |
řetězec |
enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | řetězec |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při kumulaci gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
řetězec |
Imagesize | Velikost obrázku pro trénování a ověřování Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
learningRate | Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. | řetězec |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. | řetězec |
maxSize | Maximální velikost obrázku, který se má před odesláním do páteřní sítě změnit měřítko. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
Minsize | Minimální velikost obrázku, která se má před odesláním do páteřní sítě změnit měřítko. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
název_modelu | Název modelu, který se má použít pro trénování. Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
velikost modelu | Velikost modelu. Musí to být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je model příliš velký. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
Hybnost | Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
multiscale | Povolte image s více měřítky tím, že velikost obrázku se liší o +/-50 %. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
Nesterov | Povolte nesterov, pokud je optimalizátor sgd. | řetězec |
nmsIouThreshold | Prahová hodnota IOU použitá při odvození v nms následném zpracování. Musí být plovoucí v rozsahu [0, 1]. | řetězec |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | řetězec |
numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | řetězec |
Optimalizátor | Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". | řetězec |
randomSeed | Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. | řetězec |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | řetězec |
tileGridSize | Velikost mřížky, která se má použít pro dlaždici každého obrázku. Poznámka: TileGridSize nesmí být Žádná, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
dlaždiceOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
tilePredictionsNmsThreshold | Prahová hodnota IOU, která se použije k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". NMS: Non-maximum potlačení |
řetězec |
trénováníBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | řetězec |
validationBatchSize | Velikost ověřovací dávky. Musí být kladné celé číslo. | řetězec |
validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být float v rozsahu [0, 1]. | řetězec |
validationMetricType | Metoda výpočtu metrik, která se má použít pro ověřovací metriky. Musí být "none", "coco", "voc" nebo "coco_voc". | řetězec |
warmupCosineLRCycles | Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. | řetězec |
warmupCosineLRWarmupEpochs | Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. | řetězec |
váhaDecay | Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. | řetězec |
ImageObjectDetection
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | ImageObjectDetection (povinné) |
limitSettings | [Povinné] Omezení nastavení pro úlohu AutoML | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu | ImageModelSettingsObjectDetection |
primaryMetric | Primární metrika pro optimalizaci pro tento úkol | 'MeanAveragePrecision' |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Nastavení související s úklidem modelů a hyperparametry. | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
Regrese
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | Regrese (povinné) |
cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | TableFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | TableVerticalLimitSettings |
nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
primaryMetric | Primární metrika pro regresní úlohu | NormaldMeanAbsoluteError NormalizedRootMeanSquaredError 'R2Score' 'SpearmanCorrelation' |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
Testdata | Testování vstupu dat | MLTableJobInput |
testDataSize | Zlomek testovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | RegressionTrainingSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
weightColumnName | Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje jako vstup vážený sloupec, což způsobuje, že se řádky v datech váží nahoru nebo dolů. | řetězec |
RegressionTrainingSettings
Název | Description | Hodnota |
---|---|---|
allowedTrainingAlgorithms | Povolené modely pro regresní úlohu | Pole řetězců obsahující některou z těchto možností: 'DecisionTree' ElasticNet 'ExtremeRandomTrees' GradientBoosting "KNN" LassoLars 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Blokované modely pro regresní úlohu | Pole řetězců obsahující některou z těchto možností: 'DecisionTree' ElasticNet 'ExtremeRandomTrees' GradientBoosting "KNN" LassoLars 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
enableDnnTraining | Povolte doporučení modelů DNN. | bool |
enableModelExplainability | Příznakem zapnete u nejlepšího modelu vysvětlitelnost. | bool |
enableOnnxCompatibleModels | Příznak pro povolení modelů kompatibilních s onnx. | bool |
enableStackEnsemble | Povolte spuštění souboru zásobníku. | bool |
enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | bool |
ensembleModelDownloadTimeout | Během generování modelů VotingEnsemble a StackEnsemble se stáhne několik modelů vybavených z předchozích podřízených spuštění. Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
stackEnsembleSettings | Nastavení souboru zásobníku pro spuštění souboru zásobníku. | StackEnsembleSettings |
trainingMode | Režim TrainingMode – nastavení na "auto" je stejné jako nastavení na zatím nedistribuovaný režim, ale v budoucnu může vést k výběru režimu na základě heuristiky. Výchozí hodnota je "auto". Pokud je "Distribuované", použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud "NonDistributed", jsou vybrány pouze nedistribuované algoritmy. |
'Automaticky' 'Distribuované' Nedistributed |
TextClassification
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | 'TextClassification' (povinné) |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | NlpFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | NlpVerticalLimitSettings |
primaryMetric | Primární metrika pro Text-Classification úkol | 'AUCWeighted' 'Přesnost' AveragePrecisionScoreWeighted NormMacroRecall 'PrecisionScoreWeighted' |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
NlpVerticalFeaturizationSettings
Název | Description | Hodnota |
---|---|---|
datasetLanguage | Jazyk datové sady, který je užitečný pro textová data. | řetězec |
NlpFixedParameters
Název | Description | Hodnota |
---|---|---|
gradientAccumulationSteps | Počet kroků, které se mají nashromáždit přechody před spuštěním zpětného průchodu | int |
learningRate | Rychlost učení pro postup trénování | int |
learningRateScheduler | Typ rozvrhu rychlosti učení, který se má použít během postupu trénování. | 'Konstanta' 'ConstantWithWarmup' 'Kosinus' 'CosineWithRestarts' 'Lineární' 'Žádný' 'Polynomický' |
název_modelu | Název modelu, který se má vytrénovat. | řetězec |
numberOfEpochs | Počet epoch trénování | int |
trénováníBatchSize | Velikost dávky pro trénovací proceduru. | int |
validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | int |
warmupRatio | Poměr zahřátí, který se používá spolu s LrSchedulerType. | int |
váhaDecay | Hmotnost se rozpadá pro tréninkový postup. | int |
NlpVerticalLimitSettings
Název | Description | Hodnota |
---|---|---|
maxConcurrentTrials | Maximální počet souběžných iterací Automatizovaného strojového učení | int |
maximální počet uzlů | Maximální počet uzlů, které se mají použít pro experiment. | int |
maxTrials | Počet iterací automatizovaného strojového učení | int |
timeout | Vypršel časový limit úlohy Automatizovaného strojového učení. | řetězec |
trialTimeout | Časový limit pro individuální testování HD. | řetězec |
NlpParameterSubspace
Název | Description | Hodnota |
---|---|---|
gradientAccumulationSteps | Počet kroků, které se mají nashromáždit přechody před spuštěním zpětného průchodu | řetězec |
learningRate | Rychlost učení pro postup trénování | řetězec |
learningRateScheduler | Typ rozvrhu rychlosti učení, který se má použít během postupu trénování. | řetězec |
název_modelu | Název modelu, který se má vytrénovat. | řetězec |
numberOfEpochs | Počet epoch trénování | řetězec |
trénováníBatchSize | Velikost dávky pro trénovací proceduru. | řetězec |
validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | řetězec |
warmupRatio | Poměr zahřátí, který se používá spolu s LrSchedulerType. | řetězec |
váhaDecay | Hmotnost se rozpadá pro tréninkový postup. | řetězec |
NlpSweepSettings
Název | Description | Hodnota |
---|---|---|
earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
samplingAlgorithm | [Povinné] Typ algoritmu vzorkování. | "Bayesian" 'Mřížka' 'Random' (povinné) |
TextClassificationMultilabel
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | TextClassificationMultilabel (povinné) |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | NlpFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | NlpVerticalLimitSettings |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
TextNer
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | TextNER (povinné) |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | NlpFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | NlpVerticalLimitSettings |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
Úloha příkazového řádku
Název | Description | Hodnota |
---|---|---|
jobType | [Povinné] Určuje typ úlohy. | Příkaz (povinné) |
autologgerSettings | Konfigurace distribuce úlohy. Pokud je tato možnost nastavená, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. | Nastavení autologgeru |
id kódu | ID prostředku ARM pro prostředek kódu. | řetězec |
command | [Povinné] Příkaz, který se má spustit při spuštění úlohy. např. "python train.py" | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Distribuce | Konfigurace distribuce úlohy. Pokud je tato možnost nastavená, měla by to být hodnota Mpi, Tensorflow, PyTorch, Ray nebo null. | DistributionConfiguration (Konfigurace distribuce) |
environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
environmentVariables | Proměnné prostředí zahrnuté v úloze. | CommandJobEnvironmentVariables |
Vstupy | Mapování vstupních datových vazeb používaných v úloze | CommandJobInputs |
Limity | Limit úlohy příkazu | CommandJobLimits |
Výstupy | Mapování výstupních datových vazeb používaných v úloze | CommandJobOutputs |
queueSettings | Nastavení fronty pro úlohu | Nastavení fronty |
resources | Konfigurace výpočetního prostředku pro úlohu | Konfigurace zdroje úlohy |
AutologgerSettings
Název | Description | Hodnota |
---|---|---|
mlflowAutologger | [Povinné] Určuje, jestli je povolený modul autologger toku mlflow. | Zakázáno Povoleno (povinné) |
Konfigurace distribuce
Název | Description | Hodnota |
---|---|---|
distributionType | Nastavení typu objektu | Mpi PyTorch Ray TensorFlow (povinné) |
Mpi
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | Mpi (povinné) |
processCountPerInstance | Počet procesů na uzel MPI | int |
PyTorch
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | PyTorch (povinné) |
processCountPerInstance | Počet procesů na uzel | int |
Ray
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | "Ray" (povinné) |
adresa | Adresa hlavního uzlu Ray. | řetězec |
řídicí panel | Port pro vazbu serveru řídicího panelu. | int |
headNodeAdditionalArgs | Další argumenty předané do ray startu v hlavním uzlu. | řetězec |
includeDashboard | Zadejte tento argument pro spuštění grafického uživatelského rozhraní řídicího panelu Ray. | bool |
port | Port procesu head ray. | int |
workerNodeAdditionalArgs | Další argumenty předané do ray start v pracovním uzlu. | řetězec |
TensorFlow
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | TensorFlow (povinné) |
parametrServerCount | Počet úloh serveru parametrů | int |
počet pracovních procesů | Počet pracovních procesů Pokud není zadaný, použije se výchozí počet instancí. | int |
CommandJobEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
CommandJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Pracovní pozice |
Pracovní pozice
Název | Description | Hodnota |
---|---|---|
description | Popis vstupu | řetězec |
jobInputType | Nastavení typu objektu | custom_model Literálu mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
LiteralJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | 'literal' (povinné) |
hodnota | [Povinné] Hodnota literálu pro vstup. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
TritonModelJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "triton_model" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
UriFileJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "uri_file" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
UriFolderJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "uri_folder" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
CommandJobLimits
Název | Description | Hodnota |
---|---|---|
jobLimitsType | [Povinné] Typ JobLimit | 'Příkaz' "Uklidit" (povinné) |
timeout | Maximální doba běhu ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. | řetězec |
Výstupy úloh příkazů
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Výstupní úloha |
Popisování ÚlohProperties
Název | Description | Hodnota |
---|---|---|
id komponenty | ID prostředku arm prostředku komponenty. | řetězec |
computeId | ID prostředku ARM výpočetního prostředku | řetězec |
konfigurace dat | Konfigurace dat použitých v úloze | LabelingDataConfiguration |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název úlohy | řetězec |
název experimentu | Název experimentu, do který úloha patří. Pokud není nastavená, úloha se umístí do experimentu Výchozí. | řetězec |
identity | Konfigurace identity. Pokud je nastaveno, měl by to být AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota je AmlToken, pokud je null. |
Konfigurace identity |
isArchived | Je prostředek archivovaný? | bool |
jobInstructions | Pokyny k označení úlohy. | LabelingJobInstructions |
typ úlohy | [Povinné] Určuje typ úlohy. | AutoML 'Příkaz' 'Popisování' 'Kanál' Spark "Uklidit" (povinné) |
labelCategories | Označte kategorie úlohy. | PopiskyJobLabelCategories |
labelingJobMediaProperties | Typ média specifické vlastnosti v úloze. | PopisováníJobMediaProperties |
MlAssistConfiguration | Konfigurace funkce MLAssist v úloze | MLAssistConfiguration |
nastavení oznámení | Nastavení oznámení pro úlohu | Nastavení oznámení |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
konfigurace tajných kódů | Konfigurace tajných kódů, které se mají zpřístupnit za běhu | JobBaseSecretsConfiguration |
services | Seznam koncových bodů úloh. Pro místní úlohy bude koncový bod úlohy mít hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
LabelingDataConfiguration
Název | Description | Hodnota |
---|---|---|
ID dat | ID prostředku datového assetu, který se má popisovat. | řetězec |
incrementalDataRefresh | Určuje, jestli se má povolit přírůstková aktualizace dat. | Zakázáno 'Povoleno' |
LabelingJobInstructions
Název | Description | Hodnota |
---|---|---|
Uri | Odkaz na stránku s podrobnými pokyny pro popisky. | řetězec |
LabelingJobLabelCategories
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | LabelCategory | |
{přizpůsobená vlastnost} | LabelCategory |
LabelCategory
Název | Description | Hodnota |
---|---|---|
Třídy | Slovník tříd popisků v této kategorii. | LabelCategoryClasses |
displayName | Zobrazovaný název kategorie popisků | řetězec |
Multiselect | Určuje, zda je povoleno vybrat více tříd v této kategorii. | Zakázáno 'Povoleno' |
LabelCategoryClasses
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Třída LabelClass |
Třída LabelClass
Název | Description | Hodnota |
---|---|---|
displayName | Zobrazovaný název třídy popisku | řetězec |
Podtříd | Slovník podtříd třídy popisku. | LabelClassSubclasses |
LabelClassSubclasses
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Třída LabelClass |
LabelingJobMediaProperties
Název | Description | Hodnota |
---|---|---|
Mediatype | Nastavení typu objektu | Obrázek Text (povinné) |
LabelingJobImageProperties
Název | Description | Hodnota |
---|---|---|
Mediatype | [Povinné] Typ média úlohy. | Obrázek (povinné) |
annotationType | Typ poznámky k úloze popisování obrázků. | 'BoundingBox' 'Klasifikace' InstanceSegmentation |
PopiskyJobTextProperties
Název | Description | Hodnota |
---|---|---|
Mediatype | [Povinné] Typ média úlohy. | Text (povinné) |
annotationType | Typ poznámky úlohy popisování textu. | 'Klasifikace' 'NamedEntityRecognition' |
MLAssistConfiguration
Název | Description | Hodnota |
---|---|---|
MlAssist | Nastavení typu objektu | Zakázáno Povoleno (povinné) |
MLAssistConfigurationDisabled
Název | Description | Hodnota |
---|---|---|
MlAssist | [Povinné] Označuje, jestli je povolená funkce MLAssist. | Zakázáno (povinné) |
MLAssistConfigurationEnabled
Název | Description | Hodnota |
---|---|---|
MlAssist | [Povinné] Určuje, jestli je povolená funkce MLAssist. | Povoleno (povinné) |
inferencingComputeBinding | [Povinné] Výpočetní vazba AML používaná při odvozování. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
trénováníComputeBinding | [Povinné] Výpočetní vazba AML použitá při trénování. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
Úloha kanálu
Název | Description | Hodnota |
---|---|---|
typ úlohy | [Povinné] Určuje typ úlohy. | Kanál (povinné) |
Vstupy | Vstupy pro úlohu kanálu. | PipelineJobInputs |
Úlohy | Úlohy vytvoří úlohu kanálu. | Úlohy PipelineJobJobs |
Výstupy | Výstupy pro úlohu kanálu | Výstupní úlohy pipelineJobOutputs |
nastavení | Nastavení kanálu, například ContinueRunOnStepFailure atd. | Pro Bicep můžete použít funkci any(). |
ID zdrojové úlohy | ID prostředku ARM zdrojové úlohy | řetězec |
PipelineJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Pracovní pozice |
Úlohy PipelineJobJobs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Pro Bicep můžete použít funkci any(). |
Výstupní úlohy pipelineJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Výstupní úloha |
SparkJob
Název | Description | Hodnota |
---|---|---|
typ úlohy | [Povinné] Určuje typ úlohy. | Spark (povinné) |
Archiv | Archivujte soubory použité v úloze. | string[] |
args | Argumenty pro úlohu. | řetězec |
id kódu | [Povinné] ID prostředku ARM prostředku kódu. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
Conf | Nakonfigurované vlastnosti Sparku | SparkJobConf |
entry | [Povinné] Položka, která se má spustit při spuštění úlohy. | SparkJobEntry (povinné) |
id prostředí | ID prostředku ARM specifikace prostředí pro úlohu. | řetězec |
environmentVariables | Proměnné prostředí zahrnuté v úloze | SparkJobEnvironmentVariables |
files | Soubory použité v úloze | string[] |
Vstupy | Mapování vstupních datových vazeb použitých v úloze | SparkJobInputs |
Sklenice | Soubory JAR použité v úloze. | string[] |
Výstupy | Mapování výstupních datových vazeb použitých v úloze | SparkJobOutputs |
pyFiles | Soubory Pythonu použité v úloze | string[] |
queueSettings | Nastavení fronty pro úlohu | Nastavení fronty |
resources | Konfigurace výpočetního prostředku pro úlohu | SparkResourceConfiguration |
SparkJobConf
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
SparkJobEntry
Název | Description | Hodnota |
---|---|---|
sparkJobEntryType | Nastavení typu objektu | SparkJobPythonEntry SparkJobScalaEntry (povinné) |
SparkJobPythonEntry
Název | Description | Hodnota |
---|---|---|
sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobPythonEntry (povinné) |
– soubor | [Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
SparkJobScalaEntry
Název | Description | Hodnota |
---|---|---|
sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobScalaEntry (povinné) |
Classname | [Povinné] Název třídy Scala použitý jako vstupní bod. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
SparkJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Pracovní pozice |
SparkJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Výstupní úloha |
SparkResourceConfiguration
Název | Description | Hodnota |
---|---|---|
typ instance | Volitelný typ virtuálního počítače, který se používá jako podporovaný cílovým výpočetním objektem. | řetězec |
runtimeVersion | Verze modulu runtime Sparku, která se používá pro úlohu. | řetězec |
SweepJob
Název | Description | Hodnota |
---|---|---|
typ úlohy | [Povinné] Určuje typ úlohy. | "Uklidit" (povinné) |
componentConfiguration | Konfigurace komponenty pro ukliďte komponentu | ComponentConfiguration |
earlyTermination | Zásady předčasného ukončení umožňují zrušit spuštění s nízkým výkonem před jejich dokončením. | EarlyTerminationPolicy |
Vstupy | Mapování vstupních datových vazeb použitých v úloze | SweepJobInputs |
Limity | Limit úlohy úklidu. | SweepJobLimits |
Cílem | [Povinné] Cíl optimalizace. | Cíl (povinné) |
Výstupy | Mapování výstupních datových vazeb použitých v úloze | SweepJobOutputs |
queueSettings | Nastavení fronty pro úlohu | Nastavení fronty |
resources | Konfigurace výpočetního prostředku pro úlohu | Konfigurace zdroje úlohy |
samplingAlgorithm | [Povinné] Algoritmus vzorkování hyperparametrů | SamplingAlgorithm (povinné) |
prostor vyhledávání | [Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru. | Pro Bicep můžete použít funkci any(). (povinné) |
trial | [Povinné] Definice zkušební komponenty | TrialComponent (povinné) |
ComponentConfiguration
Název | Description | Hodnota |
---|---|---|
nastavení kanálu | Nastavení kanálu, například ContinueRunOnStepFailure atd. | Pro Bicep můžete použít funkci any(). |
SweepJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Pracovní pozice |
SweepJobLimits
Název | Description | Hodnota |
---|---|---|
jobLimitsType | [Povinné] Typ JobLimit | 'Příkaz' "Uklidit" (povinné) |
maxConcurrentTrials | Maximální počet souběžných zkušebních verzí úlohy úklidu. | int |
maxTotalTrials | Úklidová úloha – maximální celkový počet pokusů. | int |
timeout | Maximální doba běhu ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. | řetězec |
trialTimeout | Hodnota časového limitu zkušební úlohy úklidu | řetězec |
Cíl
Název | Description | Hodnota |
---|---|---|
goal | [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. | Maximalizovat Minimalizovat (povinné) |
primaryMetric | [Povinné] Název metriky, která se má optimalizovat. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
SweepJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Výstupní úloha |
SamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | Nastavení typu objektu | Bayesovské Mřížky Náhodné (povinné) |
BayesianSamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | "Bayesovské" (povinné) |
GridSamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | 'Mřížka' (povinné) |
RandomSamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | 'Random' (povinné) |
logbase | Volitelné kladné číslo nebo e v řetězci, které se použije jako základ pro náhodný vzorkování založený na protokolech | řetězec |
Pravidlo | Konkrétní typ náhodného algoritmu | 'Random' 'Sobol' |
Osiva | Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel | int |
TrialComponent
Název | Description | Hodnota |
---|---|---|
id kódu | ID prostředku ARM prostředku kódu. | řetězec |
command | [Povinné] Příkaz, který se spustí při spuštění úlohy. např. "python train.py" | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
Distribuce | Konfigurace distribuce úlohy. Pokud je nastavená hodnota, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. | Konfigurace distribuce |
id prostředí | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
environmentVariables | Proměnné prostředí zahrnuté v úloze | TrialComponentEnvironmentVariables |
resources | Konfigurace výpočetního prostředku pro úlohu | Konfigurace zdroje úlohy |
TrialComponentEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
CreateMonitorAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | CreateMonitor (povinné) |
definice monitoru | [Povinné] Definuje monitorování. | MonitorDefinition (povinné) |
Definice monitoru
Název | Description | Hodnota |
---|---|---|
alertNotificationSettings | Nastavení oznámení monitoru. | MonitorNotificationSettings |
computeConfiguration | [Povinné] ID prostředku ARM výpočetního prostředku, na který se má spustit úloha monitorování. | MonitorComputeConfigurationBase (povinné) |
monitoringTarget | ID prostředku ARM modelu nebo nasazení, na které toto monitorování cílí. | MonitoringTarget |
Signály | [Povinné] Signály, které se mají monitorovat. | MonitorDefinitionSignals (povinné) |
MonitorNotificationSettings
Název | Description | Hodnota |
---|---|---|
emailNotificationSettings | Nastavení e-mailu s oznámením AML. | Nastavení MonitorEmailNotificationSettings |
Nastavení MonitorEmailNotificationSettings
Název | Description | Hodnota |
---|---|---|
E-maily | Toto je seznam příjemců e-mailu, který má omezení celkem 499 znaků. | string[] |
MonitorComputeConfigurationBase
Název | Description | Hodnota |
---|---|---|
computeType | Nastavení typu objektu | ServerlessSpark (povinné) |
MonitorováníServerlessSparkCompute
Název | Description | Hodnota |
---|---|---|
computeType | [Povinné] Určuje typ signálu, který se má monitorovat. | ServerlessSpark (povinné) |
computeIdentity | [Povinné] Schéma identit, které využívají úlohy Sparku spuštěné v bezserverovém Sparku. | MonitorComputeIdentityBase (povinné) |
typ instance | [Povinné] Typ instance, která spouští úlohu Sparku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
runtimeVersion | [Povinné] Verze modulu runtime Spark. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
MonitorováníComputeIdentityBase
Název | Description | Hodnota |
---|---|---|
computeIdentityType | Nastavení typu objektu | AmlToken Spravovaná identita (povinné) |
AmlTokenComputeIdentity
Název | Description | Hodnota |
---|---|---|
computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | AmlToken (povinné) |
ManagedComputeIdentity
Název | Description | Hodnota |
---|---|---|
computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | ManagedIdentity (povinné) |
identity | Identita spravované služby (identity přiřazené systémem nebo uživatelem) | Identita spravované služby |
Identita spravované služby
Název | Description | Hodnota |
---|---|---|
typ | Typ identity spravované služby (kde jsou povolené typy SystemAssigned i UserAssigned) | 'Žádný' 'SystemAssigned' 'SystemAssigned,UserAssigned' UserAssigned (povinné) |
userAssignedIdentity | Sada identit přiřazených uživatelem přidružených k prostředku. Klíče slovníku userAssignedIdentities budou ID prostředků ARM ve formátu /subscriptions/{subscriptionId}/resourceGroups/{název_skupiny_prostředků}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Hodnoty slovníku můžou být prázdné objekty ({}) v požadavcích. | UserAssignedIdentity |
UserAssignedIdentity
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | UserAssignedIdentity |
UserAssignedIdentity
Tento objekt neobsahuje žádné vlastnosti, které by se nastavily během nasazování. Všechny vlastnosti jsou jen pro čtení.
MonitoringTarget
Název | Description | Hodnota |
---|---|---|
deploymentId | ID prostředku ARM nasazení, na které toto monitorování cílí. | řetězec |
id modelu | ID prostředku ARM některého z modelů, na které toto monitorování cílí. | řetězec |
taskType | [Povinné] Typ úlohy strojového učení modelu. | 'Klasifikace' "QuestionAnswering" Regrese (povinné) |
MonitorDefinitionSignals
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | MonitoringSignalBase |
MonitoringSignalBase
Název | Description | Hodnota |
---|---|---|
notificationTypes | Aktuální režim oznámení pro tento signál. | Pole řetězců obsahující některou z těchto možností: 'AmlNotification' AzureMonitor |
properties | Slovník vlastností. Vlastnosti se dají přidat, ale ne odebrat ani změnit. | MonitoringSignalBaseVlastnosti |
signalType | Nastavení typu objektu | Vlastní Zápatí dat DataQuality Atribut FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (povinné) |
MonitoringSignalBaseVlastnosti
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
CustomMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | Vlastní (povinné) |
id komponenty | [Povinné] ID prostředku ARM prostředku komponenty použitého k výpočtu vlastních metrik | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
inputAssets | Monitorování prostředků, které se mají použít jako vstup Klíč je název vstupního portu komponenty, hodnota je datový asset. | CustomMonitoringSignalInputAssets |
Vstupy | Další parametry komponenty, které se mají přijmout jako vstup. Klíč je název vstupního portu komponenty, hodnota je hodnota parametru. | CustomMonitoringSignalInputs |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a související prahové hodnoty | CustomMetricThreshold[] (povinné) |
pracovní prostorPřipojení | [Povinné] Seznam metrik, které se mají vypočítat, a související prahové hodnoty | MonitoringWorkspaceConnection (povinné) |
CustomMonitoringSignalInputAssets
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | MonitoringInputDataBase |
MonitoringInputDataBase
Název | Description | Hodnota |
---|---|---|
columns | Mapování názvů sloupců na speciální použití | MonitoringInputDataBaseColumns |
Datacontext | Kontextová metadata zdroje dat. | řetězec |
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" 'literal' "mlflow_model" 'mltable' 'triton_model' 'uri_file' "uri_folder" (povinné) |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
inputDataType | Nastavení typu objektu | Pevný Válcování Statické (povinné) |
MonitoringInputDataBaseColumns
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
FixedInputData
Název | Description | Hodnota |
---|---|---|
inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Opraveno" (povinné) |
RollingInputData
Název | Description | Hodnota |
---|---|---|
inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Rolling" (povinné) |
preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
oknoOffset | [Povinné] Časový posun mezi koncem datového okna a aktuálním časem spuštění monitoru. | string (povinné) |
velikost okna | [Povinné] Velikost okna koncových dat. | string (povinné) |
StaticInputData
Název | Description | Hodnota |
---|---|---|
inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | Statická (povinné) |
preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
oknoEnd | [Povinné] Koncové datum datového okna. | string (povinné) |
start okna | [Povinné] Počáteční datum datového okna. | string (povinné) |
CustomMonitoringSignalInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Pracovní pozice |
CustomMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Metrika definovaná uživatelem, která se má vypočítat. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
Práh | Prahová hodnota. Pokud je null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
MonitoringThreshold
Název | Description | Hodnota |
---|---|---|
hodnota | Prahová hodnota. Pokud je hodnota null, výchozí nastavení závisí na typu metriky. | int |
MonitoringWorkspaceConnection
Název | Description | Hodnota |
---|---|---|
environmentVariables | Vlastnosti připojení služby pracovního prostoru, které se mají uložit jako proměnné prostředí v odeslaných úlohách. Klíč je cesta k vlastnosti připojení pracovního prostoru, název je klíč proměnné prostředí. |
MonitoringWorkspaceConnectionEnvironmentVariables |
Tajemství | Vlastnosti připojení služby pracovního prostoru, které se mají ukládat jako tajné kódy v odeslaných úlohách. Klíč je cesta vlastnosti připojení k pracovnímu prostoru, název je tajný klíč. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
MonitoringWorkspaceConnectionSecrets
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
DataDriftMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | 'DataDrift' (povinné) |
dataSegment | Datový segment použitý k určení rozsahu na podmnožinu datového souboru. | MonitorováníDataSegment |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataDriftMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | Nastavení důležitosti výpočetních funkcí | FeatureImportanceSettings |
funkce | Filtr funkcí, který identifikuje funkci, která se má vypočítat odchylku. | MonitoringFeatureFilterBase |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a jejich přidružené prahové hodnoty. | DataDriftMetricThresholdBase[] (povinné) |
productionData | [Povinné] Data, pro která se budou počítat posuny. | MonitoringInputDataBase (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
MonitorováníDataSegment
Název | Description | Hodnota |
---|---|---|
funkce | Funkce, podle které chcete data segmentovat. | řetězec |
values | Filtruje pouze zadané hodnoty dané segmentované funkce. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | "Kategorické" 'Číselný' |
FeatureImportanceSettings
Název | Description | Hodnota |
---|---|---|
režim | Provozní režim pro výpočet důležitosti funkcí. | Zakázáno 'Povoleno' |
targetColumn | Název cílového sloupce ve vstupním datovém assetu. | řetězec |
MonitoringFeatureFilterBase
Název | Description | Hodnota |
---|---|---|
Filtertype | Nastavení typu objektu | Všechnyfunkce FeatureSubset TopNByAttribution (povinné) |
Všechnyfunkce
Název | Description | Hodnota |
---|---|---|
Filtertype | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí pro výpočet metrik. | AllFeatures (povinné) |
FeatureSubset
Název | Description | Hodnota |
---|---|---|
Filtertype | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí pro výpočet metrik. | 'FeatureSubset' (povinné) |
funkce | [Povinné] Seznam funkcí, které se mají zahrnout. | string[] (povinné) |
TopNFeaturesByAttribution
Název | Description | Hodnota |
---|---|---|
Filtertype | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí pro výpočet metrik. | TopNByAttribution (povinné) |
top | Počet hlavních funkcí, které se mají zahrnout. | int |
DataDriftMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
dataType | Nastavení typu objektu | Kategorické Číselné (povinné) |
KategoricalDataDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Kategorické" (povinné) |
Metrika | [Povinné] Metrika posunu dat kategorií, která se má vypočítat. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' PopulationStabilityIndex (povinné) |
NumerickáDataDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Číselný' (povinné) |
Metrika | [Povinné] Číselná metrika posunu dat, která se má vypočítat. | 'JensenShannonDistance' NormaldWassersteinDistance 'PopulationStabilityIndex' TwoSampleKolmogorovSmirnovTest (povinné) |
DataQualityMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | 'DataQuality' (povinné) |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataQualityMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings |
funkce | Funkce pro výpočet posunu. | MonitoringFeatureFilterBase |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a jejich přidružené prahové hodnoty. | DataQualityMetricThresholdBase[] (povinné) |
productionData | [Povinné] Data generovaná produkční službou, pro která se bude počítat posun. | MonitoringInputDataBase (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
DataQualityMonitoringSignalFeatureDataTypeOverride
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | "Kategorické" 'Číselný' |
DataQualityMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
dataType | Nastavení typu objektu | Kategorické Číselné (povinné) |
KategoricalDataQualityMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Kategorické" (povinné) |
Metrika | [Povinné] Metrika kvality dat kategorií, která se má vypočítat. | 'DataTypeErrorRate' NullValueRate OutOfBoundsRate (povinné) |
NumerickáDataQualityMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Číselný' (povinné) |
Metrika | [Povinné] Číselná metrika kvality dat, která se má vypočítat. | 'DataTypeErrorRate' NullValueRate OutOfBoundsRate (povinné) |
FeatureAttributionDriftMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | FeatureAttributionDrift (povinné) |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
featureImportanceSettings | Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings |
metricThreshold | [Povinné] Seznam metrik, které se mají vypočítat, a jejich přidružené prahové hodnoty. | FeatureAttributionMetricThreshold (povinné) |
productionData | [Povinné] Data, pro která se budou počítat posuny. | MonitoringInputDataBase[] (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | "Kategorické" 'Číselný' |
FeatureAttributionMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Metrika přiřazení funkce, která se má vypočítat. | NormalizedDis procumulativeGain (povinné) |
Práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationSafetyQuality (povinné) |
metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationSafetyQualityMetricThreshold[] (povinné) |
productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a maximálně 1. | int (povinné) |
workspaceConnectionId | Získá nebo nastaví ID připojení pracovního prostoru použitého pro připojení ke koncovému bodu generování obsahu. | řetězec |
GenerationSafetyQualityMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Získá nebo nastaví metriku přiřazení funkce pro výpočet. | 'AcceptableCoherenceScorePerInstance' 'AcceptableFluencyScorePerInstance' 'AcceptableGroundednessScorePerInstance' 'AcceptableRelevanceScorePerInstance' 'AcceptableSimilarityScorePerInstance' AggregatedCoherencePassRate AggregatedFluencyPassRate AggregatedGroundednessPassRate AggregatedRelevancePassRate AggregatedSimilarityPassRate (povinné) |
Práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationTokenUsageSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationTokenStatistics (povinné) |
metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationTokenUsageMetricThreshold[] (povinné) |
productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a maximálně 1. | int (povinné) |
GenerationTokenUsageMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Získá nebo nastaví metriku přiřazení funkce pro výpočet. | TotalTokenCount TotalTokenCountPerGroup (povinné) |
Práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
ModelPerformanceSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | ModelPerformance (povinné) |
dataSegment | Datový segment. | MonitorováníDataSegment |
metricThreshold | [Povinné] Seznam metrik, které se mají vypočítat, a jejich přidružené prahové hodnoty. | ModelPerformanceMetricThresholdBase (povinné) |
productionData | [Povinné] Data generovaná produkční službou, pro která se bude počítat výkon. | MonitoringInputDataBase[] (povinné) |
referenčnídata | [Povinné] Referenční data použitá jako základ pro výpočet výkonu modelu. | MonitoringInputDataBase (povinné) |
ModelPerformanceMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
typ modelu | Nastavení typu objektu | Klasifikace Regrese (povinné) |
ClassificationModelPerformanceMetricThreshold
Název | Description | Hodnota |
---|---|---|
typ modelu | [Povinné] Určuje datový typ prahové hodnoty metriky. | Klasifikace (povinné) |
Metrika | [Povinné] Výkon klasifikačního modelu, který se má vypočítat. | 'Přesnost' 'Přesnost' "Odvolání" (povinné) |
RegressionModelPerformanceMetricThreshold
Název | Description | Hodnota |
---|---|---|
typ modelu | [Povinné] Určuje datový typ prahové hodnoty metriky. | Regrese (povinné) |
Metrika | [Povinné] Metrika výkonu regresního modelu, která se má vypočítat. | MeanAbsoluteError MeanSquaredError RootMeanSquaredError (povinné) |
PredictionDriftMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | PredictionDrift (povinné) |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a související prahové hodnoty | PredictionDriftMetricThresholdBase[] (povinné) |
productionData | [Povinné] Data, pro která se bude počítat posun. | MonitoringInputDataBase (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | 'Kategorické' 'Numerický' |
PredictionDriftMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
dataType | Nastavení typu objektu | Kategorické Číselné (povinné) |
KategoricalPredictionDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorické (povinné) |
Metrika | [Povinné] Kategorická metrika posunu predikce, která se má vypočítat. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' 'PopulationStabilityIndex' (povinné) |
NumericalPredictionDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Číselný' (povinné) |
Metrika | [Povinné] Číselná metrika odchylky předpovědí, která se má vypočítat. | 'JensenShannonDistance' NormaldWassersteinDistance 'PopulationStabilityIndex' TwoSampleKolmogorovSmirnovTest (povinné) |
Akce ImportDataAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | ImportData (povinné) |
dataImportDefinition | [Povinné] Definuje podrobnosti definice akce plánu. | Import dat (povinné) |
Import dat
Název | Description | Hodnota |
---|---|---|
název_prostředku | Název prostředku pro úlohu importu dat, která se má vytvořit | řetězec |
autoDeleteSetting | Určuje nastavení životního cyklu spravovaného datového prostředku. | Nastavení automatického odstranění |
dataType | [Povinné] Určuje typ dat. | 'mltable' 'uri_file' "uri_folder" (povinné) |
Identifikátor dataUri | [Povinné] Identifikátor URI dat Příklad: https://go.microsoft.com/fwlink/?linkid=2202330 |
string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
description | Text popisu prostředku. | řetězec |
intelektualproperty | Podrobnosti o duševním vlastnictví. Používá se, pokud jsou data duševním vlastnictvím. | IntellectualProperty |
isAnonymous | Pokud je verze názvu vygenerovaná systémem (anonymní registrace). U typů, kde je fáze definovaná, se po zadání fáze použije k naplnění IsAnonymous. | bool |
isArchived | Je prostředek archivovaný? U typů, kde je fáze definovaná, se při poskytnutí fáze použije k naplnění isArchived. | bool |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
source | Zdrojová data assetu, ze které se má importovat | Zdroj importu dat |
Fázi | Fáze životního cyklu dat přiřazeného tomuto datovému assetu | řetězec |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
IntellectualProperty
Název | Description | Hodnota |
---|---|---|
Protectionlevel | úroveň ochrany duševního vlastnictví. | 'All' (Vše) 'Žádný' |
vydavatel | [Povinné] Vydavatel duševního vlastnictví. Musí být stejný jako název vydavatele registru. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
Zdroj importu dat
Název | Description | Hodnota |
---|---|---|
připojení | Připojení pracovního prostoru pro úložiště zdroje importu dat | řetězec |
Sourcetype | Nastavení typu objektu | Databáze file_system (povinné) |
Zdroj databáze
Název | Description | Hodnota |
---|---|---|
Sourcetype | [Povinné] Určuje typ dat. | "databáze" (povinné) |
query | Příkaz dotazu SQL pro import dat Zdroj databáze | řetězec |
Storedprocedure | SQL StoredProcedure pro import dat Zdroj databáze | řetězec |
storedProcedureParams | Parametry SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
tableName | Název tabulky pro import dat Zdroj databáze | řetězec |
DatabaseSourceStoredProcedureParamsItem
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
FileSystemSource
Název | Description | Hodnota |
---|---|---|
Sourcetype | [Povinné] Určuje typ dat. | "file_system" (povinné) |
program | Cesta ke zdroji soubor pro import datSystém | řetězec |
EndpointScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | InvokeBatchEndpoint (povinné) |
definice koncového bodu | [Povinné] Definuje podrobnosti definice akce plánu. {see href="TBD" /} |
Pro Bicep můžete použít funkci any(). (povinné) |
Triggerbase
Název | Description | Hodnota |
---|---|---|
endTime | Určuje koncový čas plánu v ISO 8601, ale bez posunu UTC. Viz https://en.wikipedia.org/wiki/ISO_8601. Recommented format by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán se spustí po neomezenou dobu. |
řetězec |
startTime | Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
timeZone | Určuje časové pásmo, ve kterém se plán spustí. TimeZone by mělo odpovídat formátu časového pásma Windows. Přečtěte si: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
řetězec |
triggerType | Nastavení typu objektu | Cron Opakování (povinné) |
CronTrigger
Název | Description | Hodnota |
---|---|---|
triggerType | [Povinné] | 'Cron' (povinné) |
expression | [Povinné] Určuje výraz cron plánu. Výraz by měl mít formát NCronTab. |
string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
RecurrenceTrigger
Název | Description | Hodnota |
---|---|---|
endTime | Určuje koncový čas plánu v ISO 8601, ale bez posunu UTC. Viz https://en.wikipedia.org/wiki/ISO_8601. Recommented format by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán se spustí po neomezenou dobu. |
řetězec |
frequency | [Povinné] Frekvence aktivace plánu. | 'Den' Hodina 'Minuta' 'Month' "Týden" (povinné) |
interval | [Povinné] Určuje časový interval ve spojení s frekvencí. | int (povinné) |
schedule | Plán opakování. | RecurrenceSchedule |
startTime | Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
timeZone | Určuje časové pásmo, ve kterém se plán spustí. TimeZone by mělo odpovídat formátu časového pásma Windows. Viz: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones |
řetězec |
triggerType | [Povinné] | 'Cron' Opakování (povinné) |
RecurrenceSchedule
Název | Description | Hodnota |
---|---|---|
hodiny | [Povinné] Seznam hodin pro plán | int[] (povinné) |
minutes | [Povinné] Seznam minut pro plán | int[] (povinné) |
monthDays | Seznam dnů v měsíci pro plán | int[] |
weekDays | Seznam dnů pro plán | Pole řetězců obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Neděle" "Čtvrtek" "Úterý" "Středa" |
Definice prostředku šablony ARM
Typ prostředku pracovní prostory nebo plány je možné nasadit s operacemi, které cílí na:
- Skupiny prostředků – viz příkazy nasazení skupiny prostředků.
Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.
Formát prostředku
Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/schedules, přidejte do šablony následující kód JSON.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2023-08-01-preview",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "bool",
"properties": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"tags": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
Objekty ScheduleActionBase
Nastavte vlastnost actionType tak, aby určila typ objektu.
V části CreateJob použijte:
"actionType": "CreateJob",
"jobDefinition": {
"componentId": "string",
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"notificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
},
"properties": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"secretsConfiguration": {
"{customized property}": {
"uri": "string",
"workspaceSecretName": "string"
},
"{customized property}": {
"uri": "string",
"workspaceSecretName": "string"
}
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"nodes": {
"nodesValueType": "string"
// For remaining properties, see Nodes objects
},
"port": "int",
"properties": {
"{customized property}": "string"
}
},
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"nodes": {
"nodesValueType": "string"
// For remaining properties, see Nodes objects
},
"port": "int",
"properties": {
"{customized property}": "string"
}
}
},
"tags": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
Pro CreateMonitor použijte:
"actionType": "CreateMonitor",
"monitorDefinition": {
"alertNotificationSettings": {
"emailNotificationSettings": {
"emails": [ "string" ]
}
},
"computeConfiguration": {
"computeType": "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
},
"monitoringTarget": {
"deploymentId": "string",
"modelId": "string",
"taskType": "string"
},
"signals": {
"{customized property}": {
"notificationTypes": [ "string" ],
"properties": {
"{customized property}": "string"
},
"signalType": "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
V části ImportData použijte:
"actionType": "ImportData",
"dataImportDefinition": {
"assetName": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"dataType": "string",
"dataUri": "string",
"description": "string",
"intellectualProperty": {
"protectionLevel": "string",
"publisher": "string"
},
"isAnonymous": "bool",
"isArchived": "bool",
"properties": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"source": {
"connection": "string",
"sourceType": "string"
// For remaining properties, see DataImportSource objects
},
"stage": "string",
"tags": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
}
}
Pro InvokeBatchEndpoint použijte:
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
Objekty JobBaseProperties
Nastavte vlastnost jobType a určete typ objektu.
Pro AutoML použijte:
"jobType": "AutoML",
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
},
"taskDetails": {
"logVerbosity": "string",
"targetColumnName": "string",
"trainingData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
Jako příkaz použijte:
"jobType": "Command",
"autologgerSettings": {
"mlflowAutologger": "string"
},
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"timeout": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
}
Pro popisování použijte:
"jobType": "Labeling",
"dataConfiguration": {
"dataId": "string",
"incrementalDataRefresh": "string"
},
"jobInstructions": {
"uri": "string"
},
"labelCategories": {
"{customized property}": {
"classes": {
"{customized property}": {
"displayName": "string",
"subclasses": {
"{customized property}": {}
}
},
"displayName": "string",
"multiSelect": "string"
},
"{customized property}": {
"classes": {
"{customized property}": {
"displayName": "string",
"subclasses": {
"{customized property}": {}
}
},
"displayName": "string",
"multiSelect": "string"
}
},
"labelingJobMediaProperties": {
"mediaType": "string"
// For remaining properties, see LabelingJobMediaProperties objects
},
"mlAssistConfiguration": {
"mlAssist": "string"
// For remaining properties, see MLAssistConfiguration objects
}
V části Kanál použijte:
"jobType": "Pipeline",
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"jobs": {
"{customized property}": {}
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"settings": {},
"sourceJobId": "string"
Pro Spark použijte:
"jobType": "Spark",
"archives": [ "string" ],
"args": "string",
"codeId": "string",
"conf": {
"{customized property}": "string"
},
"entry": {
"sparkJobEntryType": "string"
// For remaining properties, see SparkJobEntry objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"files": [ "string" ],
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"jars": [ "string" ],
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"pyFiles": [ "string" ],
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"instanceType": "string",
"runtimeVersion": "string"
}
V části Uklidit použijte:
"jobType": "Sweep",
"componentConfiguration": {
"pipelineSettings": {}
},
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"maxConcurrentTrials": "int",
"maxTotalTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"objective": {
"goal": "string",
"primaryMetric": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
},
"samplingAlgorithm": {
"samplingAlgorithmType": "string"
// For remaining properties, see SamplingAlgorithm objects
},
"searchSpace": {},
"trial": {
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
}
}
Objekty IdentityConfiguration
Nastavte vlastnost identityType a určete typ objektu.
Pro AMLToken použijte:
"identityType": "AMLToken"
V případě spravovaného použijte:
"identityType": "Managed",
"clientId": "string",
"objectId": "string",
"resourceId": "string"
Jako UserIdentity použijte:
"identityType": "UserIdentity"
Objekty Webhooku
Nastavte vlastnost webhookType pro určení typu objektu.
Pro AzureDevOps použijte:
"webhookType": "AzureDevOps"
Uzly – objekty
Nastavte nodesValueType vlastnost určit typ objektu.
V části Vše použijte:
"nodesValueType": "All"
Objekty JobOutput
Nastavte vlastnost jobOutputType a určete typ objektu.
Pro custom_model použijte:
"jobOutputType": "custom_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
Pro mlflow_model použijte:
"jobOutputType": "mlflow_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
Pro mltable použijte:
"jobOutputType": "mltable",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
Pro triton_model použijte:
"jobOutputType": "triton_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
Pro uri_file použijte:
"jobOutputType": "uri_file",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
Pro uri_folder použijte:
"jobOutputType": "uri_folder",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
Objekty AutoMLVertical
Nastavte vlastnost taskType tak, aby určila typ objektu.
Pro klasifikaci použijte:
"taskType": "Classification",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"positiveLabel": "string",
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Pro prognózování použijte:
"taskType": "Forecasting",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"forecastingSettings": {
"countryOrRegionForHolidays": "string",
"cvStepSize": "int",
"featureLags": "string",
"featuresUnknownAtForecastTime": [ "string" ],
"forecastHorizon": {
"mode": "string"
// For remaining properties, see ForecastHorizon objects
},
"frequency": "string",
"seasonality": {
"mode": "string"
// For remaining properties, see Seasonality objects
},
"shortSeriesHandlingConfig": "string",
"targetAggregateFunction": "string",
"targetLags": {
"mode": "string"
// For remaining properties, see TargetLags objects
},
"targetRollingWindowSize": {
"mode": "string"
// For remaining properties, see TargetRollingWindowSize objects
},
"timeColumnName": "string",
"timeSeriesIdColumnNames": [ "string" ],
"useStl": "string"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Pro ImageClassification použijte:
"taskType": "ImageClassification",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Pro ImageClassificationMultilabel použijte:
"taskType": "ImageClassificationMultilabel",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Pro ImageInstanceSegmentation použijte:
"taskType": "ImageInstanceSegmentation",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Pro ImageObjectDetection použijte:
"taskType": "ImageObjectDetection",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Pro regresi použijte:
"taskType": "Regression",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Pro TextClassification použijte:
"taskType": "TextClassification",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"primaryMetric": "string",
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
Pro TextClassificationMultilabel použijte:
"taskType": "TextClassificationMultilabel",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
Pro TextNER použijte:
"taskType": "TextNER",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
Objekty NCrossValidations
Nastavte vlastnost mode pro určení typu objektu.
V části Automaticky použijte:
"mode": "Auto"
Jako Vlastní použijte:
"mode": "Custom",
"value": "int"
Objekty EarlyTerminationPolicy
Nastavte vlastnost policyType pro určení typu objektu.
Pro Bandit použijte:
"policyType": "Bandit",
"slackAmount": "int",
"slackFactor": "int"
Pro MedianStopping použijte:
"policyType": "MedianStopping"
V části TruncationSelection použijte:
"policyType": "TruncationSelection",
"truncationPercentage": "int"
ForecastHorizon – objekty
Nastavte vlastnost mode pro určení typu objektu.
V části Automaticky použijte:
"mode": "Auto"
Jako Vlastní použijte:
"mode": "Custom",
"value": "int"
Objekty sezónnosti
Nastavte vlastnost mode pro určení typu objektu.
V části Automaticky použijte:
"mode": "Auto"
Jako Vlastní použijte:
"mode": "Custom",
"value": "int"
Objekty TargetLags
Nastavte vlastnost mode pro určení typu objektu.
V části Automaticky použijte:
"mode": "Auto"
Jako Vlastní použijte:
"mode": "Custom",
"values": [ "int" ]
TargetRollingWindowSize – objekty
Nastavte vlastnost mode pro určení typu objektu.
V části Automaticky použijte:
"mode": "Auto"
Jako Vlastní použijte:
"mode": "Custom",
"value": "int"
Objekty DistributionConfiguration
Nastavte vlastnost distributionType pro určení typu objektu.
Pro Mpi použijte:
"distributionType": "Mpi",
"processCountPerInstance": "int"
Pro PyTorch použijte:
"distributionType": "PyTorch",
"processCountPerInstance": "int"
Pro Ray použijte:
"distributionType": "Ray",
"address": "string",
"dashboardPort": "int",
"headNodeAdditionalArgs": "string",
"includeDashboard": "bool",
"port": "int",
"workerNodeAdditionalArgs": "string"
Pro TensorFlow použijte:
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
Objekty JobInput
Nastavte vlastnost jobInputType pro určení typu objektu.
Pro custom_model použijte:
"jobInputType": "custom_model",
"mode": "string",
"uri": "string"
Pro literál použijte:
"jobInputType": "literal",
"value": "string"
Pro mlflow_model použijte:
"jobInputType": "mlflow_model",
"mode": "string",
"uri": "string"
Pro mltable použijte:
"jobInputType": "mltable",
"mode": "string",
"uri": "string"
Pro triton_model použijte:
"jobInputType": "triton_model",
"mode": "string",
"uri": "string"
Pro uri_file použijte:
"jobInputType": "uri_file",
"mode": "string",
"uri": "string"
Pro uri_folder použijte:
"jobInputType": "uri_folder",
"mode": "string",
"uri": "string"
Objekty LabelingJobMediaProperties
Nastavte mediaType vlastnost určit typ objektu.
Jako Obrázek použijte:
"mediaType": "Image",
"annotationType": "string"
Jako Text použijte:
"mediaType": "Text",
"annotationType": "string"
MLAssistConfiguration – objekty
Nastavte vlastnost mlAssist pro určení typu objektu.
V části Zakázáno použijte:
"mlAssist": "Disabled"
V části Povoleno použijte:
"mlAssist": "Enabled",
"inferencingComputeBinding": "string",
"trainingComputeBinding": "string"
SparkJobEntry – objekty
Nastavte sparkJobEntryType vlastnost určit typ objektu.
Pro SparkJobPythonEntry použijte:
"sparkJobEntryType": "SparkJobPythonEntry",
"file": "string"
Pro SparkJobScalaEntry použijte:
"sparkJobEntryType": "SparkJobScalaEntry",
"className": "string"
SamplingAlgorithm – objekty
Nastavte samplingAlgorithmType vlastnost určit typ objektu.
Pro Bayesian použijte:
"samplingAlgorithmType": "Bayesian"
Jako Mřížka použijte:
"samplingAlgorithmType": "Grid"
V případě náhodného použití použijte:
"samplingAlgorithmType": "Random",
"logbase": "string",
"rule": "string",
"seed": "int"
MonitorComputeConfigurationBase – objekty
Nastavte vlastnost computeType pro určení typu objektu.
Pro serverlessSpark použijte:
"computeType": "ServerlessSpark",
"computeIdentity": {
"computeIdentityType": "string"
// For remaining properties, see MonitorComputeIdentityBase objects
},
"instanceType": "string",
"runtimeVersion": "string"
MonitorComputeIdentityBase – objekty
Nastavte vlastnost computeIdentityType pro určení typu objektu.
Pro AmlToken použijte:
"computeIdentityType": "AmlToken"
Jako ManagedIdentity použijte:
"computeIdentityType": "ManagedIdentity",
"identity": {
"type": "string",
"userAssignedIdentities": {
"{customized property}": {}
}
}
MonitoringSignalBase – objekty
Nastavte vlastnost signalType pro určení typu objektu.
Jako Vlastní použijte:
"signalType": "Custom",
"componentId": "string",
"inputAssets": {
"{customized property}": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"workspaceConnection": {
"environmentVariables": {
"{customized property}": "string"
},
"secrets": {
"{customized property}": "string"
}
}
V části DataDrift použijte:
"signalType": "DataDrift",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pro DataQuality použijte:
"signalType": "DataQuality",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Jako FeatureAttributionDrift použijte:
"signalType": "FeatureAttributionDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"metricThreshold": {
"metric": "NormalizedDiscountedCumulativeGain",
"threshold": {
"value": "int"
}
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pro GenerationSafetyQuality použijte:
"signalType": "GenerationSafetyQuality",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"samplingRate": "int",
"workspaceConnectionId": "string"
Pro GenerationTokenStatistics použijte:
"signalType": "GenerationTokenStatistics",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"samplingRate": "int"
Pro ModelPerformance použijte:
"signalType": "ModelPerformance",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"metricThreshold": {
"threshold": {
"value": "int"
},
"modelType": "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Jako PredictionDrift použijte:
"signalType": "PredictionDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase – objekty
Nastavte vlastnost inputDataType pro určení typu objektu.
V případě pevného nastavení použijte:
"inputDataType": "Fixed"
Pro vrácení do provozu použijte:
"inputDataType": "Rolling",
"preprocessingComponentId": "string",
"windowOffset": "string",
"windowSize": "string"
V části Static použijte:
"inputDataType": "Static",
"preprocessingComponentId": "string",
"windowEnd": "string",
"windowStart": "string"
MonitoringFeatureFilterBase – objekty
Nastavte vlastnost filterType pro určení typu objektu.
Pro Všechny funkce použijte:
"filterType": "AllFeatures"
Jako FeatureSubset použijte:
"filterType": "FeatureSubset",
"features": [ "string" ]
Pro TopNByAttribution použijte:
"filterType": "TopNByAttribution",
"top": "int"
Objekty DataDriftMetricThresholdBase
Nastavte vlastnost dataType a určete typ objektu.
Pro kategorické použijte:
"dataType": "Categorical",
"metric": "string"
Pro číselnou hodnotu použijte:
"dataType": "Numerical",
"metric": "string"
Objekty DataQualityMetricThresholdBase
Nastavte vlastnost dataType a určete typ objektu.
Pro kategorické použijte:
"dataType": "Categorical",
"metric": "string"
Pro číselnou hodnotu použijte:
"dataType": "Numerical",
"metric": "string"
Objekty ModelPerformanceMetricThresholdBase
Nastavte vlastnost modelType tak, aby určila typ objektu.
Pro klasifikaci použijte:
"modelType": "Classification",
"metric": "string"
Pro regresi použijte:
"modelType": "Regression",
"metric": "string"
PredictionDriftMetricThresholdBase – objekty
Nastavte vlastnost dataType a určete typ objektu.
Pro kategorické použijte:
"dataType": "Categorical",
"metric": "string"
Pro číselnou hodnotu použijte:
"dataType": "Numerical",
"metric": "string"
Objekty DataImportSource
Nastavte vlastnost sourceType tak, aby určila typ objektu.
Pro databázi použijte:
"sourceType": "database",
"query": "string",
"storedProcedure": "string",
"storedProcedureParams": [
{
"{customized property}": "string"
}
],
"tableName": "string"
Pro file_system použijte:
"sourceType": "file_system",
"path": "string"
Objekty TriggerBase
Nastavte vlastnost triggerType a určete typ objektu.
Pro Cron použijte:
"triggerType": "Cron",
"expression": "string"
Jako Opakování použijte:
"triggerType": "Recurrence",
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
}
Hodnoty vlastností
pracovní prostory/plány
Název | Description | Hodnota |
---|---|---|
typ | Typ prostředku | Microsoft.MachineLearningServices/workspaces/schedules |
apiVersion | Verze rozhraní API prostředků | '2023-08-01-preview' |
name | Název prostředku Podívejte se, jak nastavit názvy a typy pro podřízené prostředky v šablonách JSON ARM. |
string (povinné) |
properties | [Povinné] Další atributy entity. | ScheduleVlastnosti (povinné) |
ScheduleVlastnosti
Název | Description | Hodnota |
---|---|---|
action | [Povinné] Určuje akci plánu. | ScheduleActionBase (povinné) |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název plánu | řetězec |
Isenabled | Je plán povolený? | bool |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
Aktivační událost | [Povinné] Určuje podrobnosti o triggeru. | TriggerBase (povinné) |
ScheduleActionBase
Název | Description | Hodnota |
---|---|---|
actionType | Nastavení typu objektu | Vytvořit úlohu CreateMonitor ImportData InvokeBatchEndpoint (povinné) |
JobScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | CreateJob (povinné) |
definice úlohy | [Povinné] Definuje podrobnosti definice akce plánu. | JobBaseProperties (povinné) |
JobBaseProperties
Název | Description | Hodnota |
---|---|---|
componentId | ID prostředku ARM prostředku komponenty | řetězec |
computeId | ID prostředku ARM výpočetního prostředku | řetězec |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název úlohy. | řetězec |
experimentName | Název experimentu, do který úloha patří. Pokud není tato úloha nastavená, umístí se do experimentu Výchozí. | řetězec |
identity | Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z hodnot AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota je AmlToken, pokud je null. |
Konfigurace identity |
isArchived | Je prostředek archivovaný? | bool |
notificationSetting | Nastavení oznámení pro úlohu | Nastavení oznámení |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
secretsKonfigurace | Konfigurace pro tajné kódy, které mají být k dispozici za běhu | JobBaseSecretsConfiguration |
services | Seznam koncových bodů úloh. Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
jobType | Nastavení typu objektu | AutoML Příkaz Označování Kanál Spark Uklidit (povinné) |
Konfigurace identity
Název | Description | Hodnota |
---|---|---|
identityType | Nastavení typu objektu | AMLToken Spravované Identita uživatele (povinné) |
AmlToken
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | AMLToken (povinné) |
Spravovaná identita
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | Spravované (povinné) |
clientId | Určuje identitu přiřazenou uživatelem podle ID klienta. V případě přiřazení systémem toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Vzor = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Určuje identitu přiřazenou uživatelem podle ID objektu. V případě přiřazení systémem toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Vzor = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. V případě přiřazení systémem toto pole nenastavujte. | řetězec |
Identita uživatele
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | UserIdentity (povinné) |
Nastavení oznámení
Název | Description | Hodnota |
---|---|---|
e-mailová adresa | Odeslání e-mailového oznámení uživateli při zadaném typu oznámení | Pole řetězců obsahující některou z těchto možností: JobCancelled JobCompleted Úloha selhala |
E-maily | Toto je seznam příjemců e-mailu, který má omezení 499 znaků v celkovém zřetězení s oddělovačem čárky. | string[] |
webhooky | Odeslání zpětného volání webhooku do služby Klíč je uživatelsky zadaný název webhooku. | NotificationSettingWebhooks |
NotificationSettingWebhooks
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Webhook |
Webhook
Název | Description | Hodnota |
---|---|---|
eventType | Odeslání zpětného volání u zadané události oznámení | řetězec |
Typ webhooku | Nastavení typu objektu | AzureDevOps (povinné) |
AzureDevOpsWebhook
Název | Description | Hodnota |
---|---|---|
Typ webhooku | [Povinné] Určuje typ služby pro odeslání zpětného volání. | AzureDevOps (povinné) |
ResourceBaseProperties
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec |
JobBaseSecretsConfiguration
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | SecretConfiguration | |
{přizpůsobená vlastnost} | SecretConfiguration |
SecretConfiguration
Název | Description | Hodnota |
---|---|---|
Uri | Identifikátor URI tajného kódu Ukázkový identifikátor URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
řetězec |
workspaceSecretName | Název tajného kódu v trezoru klíčů pracovního prostoru. | řetězec |
JobBaseServices
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | JobService | |
{přizpůsobená vlastnost} | JobService |
JobService
Název | Description | Hodnota |
---|---|---|
endpoint | Adresa URL koncového bodu | řetězec |
jobServiceType | Typ koncového bodu. | řetězec |
Uzly | Uzly, na které chce uživatel službu spustit. Pokud uzly nejsou nastaveny nebo nastaveny na hodnotu null, bude služba spuštěna pouze na hlavním uzlu. |
Uzly |
port | Port pro koncový bod nastavený uživatelem | int |
properties | Další vlastnosti, které se mají nastavit na koncovém bodu. | JobServiceProperties |
Uzly
Název | Description | Hodnota |
---|---|---|
nodesValueType | Nastavení typu objektu | Vše (povinné) |
Všechny uzly
Název | Description | Hodnota |
---|---|---|
nodesValueType | [Povinné] Typ hodnoty Nodes | "Vše" (povinné) |
JobServiceProperties
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
AutoMLJob
Název | Description | Hodnota |
---|---|---|
jobType | [Povinné] Určuje typ úlohy. | AutoML (povinné) |
environmentId | ID prostředku ARM specifikace prostředí pro úlohu Jedná se o volitelnou hodnotu, která se má zadat, pokud není zadaná, autoML ji při spuštění úlohy nastaví na verzi prostředí kurátorované v produkčním automatickém strojovém učení. |
řetězec |
environmentVariables | Proměnné prostředí zahrnuté v úloze. | AutoMLJobEnvironmentVariables |
Výstupy | Mapování výstupních datových vazeb používaných v úloze | AutoMLJobOutputs |
queueSettings | Nastavení fronty pro úlohu | QueueSettings |
resources | Konfigurace výpočetních prostředků pro úlohu | JobResourceConfiguration |
taskDetails | [Povinné] To představuje scénář, který může být jedním z tabulek, NLP nebo image. | AutoMLVertical (povinné) |
AutoMLJobEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
AutoMLJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Output úlohy |
Output úlohy
Název | Description | Hodnota |
---|---|---|
description | Popis výstupu | řetězec |
jobOutputType | Nastavení typu objektu | custom_model mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "custom_model" (povinné) |
assetName | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Automatické odstranění nastavení výstupního datového prostředku | AutoDeleteSetting |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' Nahrání |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
AutoDeleteSetting
Název | Description | Hodnota |
---|---|---|
Podmínka | Kdy zkontrolovat, jestli nevypršela platnost prostředku | 'CreatedGreaterThan' LastAccessedGreaterThan |
hodnota | Hodnota podmínky vypršení platnosti | řetězec |
MLFlowModelJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "mlflow_model" (povinné) |
název_prostředku | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Nastavení automatického odstranění výstupního datového prostředku. | Nastavení automatického odstranění |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' 'Nahrát' |
Uri | Identifikátor URI výstupního prostředku | řetězec |
MLTableJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | 'mltable' (povinné) |
název_prostředku | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Nastavení automatického odstranění výstupního datového prostředku. | Nastavení automatického odstranění |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' 'Nahrát' |
Uri | Identifikátor URI výstupního prostředku | řetězec |
TritonModelJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "triton_model" (povinné) |
název_prostředku | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Nastavení automatického odstranění výstupního datového prostředku. | Nastavení automatického odstranění |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' 'Nahrát' |
Uri | Identifikátor URI výstupního prostředku | řetězec |
UriFileJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "uri_file" (povinné) |
název_prostředku | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Nastavení automatického odstranění výstupního datového prostředku. | Nastavení automatického odstranění |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' 'Nahrát' |
Uri | Identifikátor URI výstupního prostředku | řetězec |
UriFolderJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "uri_folder" (povinné) |
název_prostředku | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Nastavení automatického odstranění výstupního datového prostředku. | Nastavení automatického odstranění |
režim | Režim doručování výstupních prostředků. | "Přímé" 'ReadWriteMount' 'Nahrát' |
Uri | Identifikátor URI výstupního prostředku | řetězec |
Nastavení fronty
Název | Description | Hodnota |
---|---|---|
jobTier | Řídí úroveň výpočetní úlohy. | 'Základní' Null Premium "Spot" 'Standardní' |
Prioritou | Řídí prioritu úlohy na výpočetních prostředcích. | int |
Konfigurace zdroje úlohy
Název | Description | Hodnota |
---|---|---|
dockerArgs | Další argumenty, které se předávají do příkazu Docker run. Tím by se přepsaly všechny parametry, které už byly nastaveny systémem nebo v této části. Tento parametr se podporuje pouze pro výpočetní typy Azure ML. | řetězec |
instanceCount | Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem | int |
typ instance | Volitelný typ virtuálního počítače, který se používá jako podporovaný cílovým výpočetním objektem. | řetězec |
Umístění | Umístění, kde je možné úlohu spustit. | string[] |
maxInstanceCount | Volitelný maximální povolený počet instancí nebo uzlů, které má cílový výpočetní objekt použít. Pro použití s elastickým trénováním, které aktuálně podporuje pouze typ distribuce PyTorch. |
int |
properties | Další kontejner vlastností. | Vlastnosti konfigurace prostředků |
velikost shmSize | Velikost bloku sdílené paměti kontejneru Dockeru Mělo by to být ve formátu (number)(unit), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajtů) nebo g(gigabajtů). | řetězec Omezení: Vzor = \d+[bBkKmMgG] |
Vlastnosti konfigurace prostředků
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | ||
{přizpůsobená vlastnost} |
AutoMLVertical
Název | Description | Hodnota |
---|---|---|
logVerbosity | Podrobnosti protokolování pro úlohu | 'Kritické' Ladění 'Chyba' 'Informace' NotSet 'Upozornění' |
targetColumnName | Název cílového sloupce: Jedná se o sloupec hodnot predikce. V kontextu úkolů klasifikace se označuje také jako název sloupce popisku. |
řetězec |
trénovacídata | [Povinné] Trénování vstupu dat. | MLTableJobInput (povinné) |
taskType | Nastavení typu objektu | Klasifikace Prognózování ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regrese Klasifikace textu TextClassificationMultilabel TextNER (povinné) |
MLTableJobInput
Název | Description | Hodnota |
---|---|---|
description | Popis vstupu. | řetězec |
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" 'literál' 'mlflow_model' 'mltable' 'triton_model' "uri_file" "uri_folder" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Klasifikace
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | Klasifikace (povinné) |
cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | TableFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | TableVerticalLimitSettings |
nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
positiveLabel | Kladný popisek pro výpočet binárních metrik | řetězec |
primaryMetric | Primární metrika pro úkol. | 'AUCWeighted' 'Přesnost' AveragePrecisionScoreWeighted NormMacroRecall 'PrecisionScoreWeighted' |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
Testdata | Testování vstupu dat | MLTableJobInput |
testDataSize | Zlomek testovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | ClassificationTrainingSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
weightColumnName | Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje jako vstup vážený sloupec, což způsobuje, že se řádky v datech váží nahoru nebo dolů. | řetězec |
TableVerticalFeaturizationSettings
Název | Description | Hodnota |
---|---|---|
blockedTransformers | Tyto transformátory nesmí být použity při featurizaci. | Pole řetězců obsahující některou z těchto možností: CatTargetEncoder CountVectorizer HashOneHotEncoder 'LabelEncoder' 'NaiveBayes' 'OneHotEncoder' 'TextTargetEncoder' TfIdf 'WoETargetEncoder' 'WordEmbedding' |
columnNameAndTypes | Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.) | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Jazyk datové sady, který je užitečný pro textová data. | řetězec |
enableDnnFeaturization | Určuje, zda se mají používat featurizátory založené na Dnn pro extrakci dat. | bool |
režim | Režim extrakce příznaků – Uživatel může zachovat výchozí automatický režim a AutoML se postará o nezbytnou transformaci dat ve fázi extrakce příznaků. Pokud je vybrána možnost Vypnuto, není provedena žádná extrakce příznaků. Pokud je vybrána možnost Vlastní, uživatel může zadat další vstupy pro přizpůsobení způsobu extrakce příznaků. |
'Automaticky' 'Vlastní' Vypnuto |
transformerParams | Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které by se použil, a parametry konstruktoru transformátoru. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
TableVerticalFeaturizationSettingsTransformerParams
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | SloupecTransformer[] |
ColumnTransformer
Název | Description | Hodnota |
---|---|---|
fields | Pole, na která se má použít logika transformátoru | string[] |
parameters | Různé vlastnosti, které mají být předány transformátoru. Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON. |
TableFixedParameters
Název | Description | Hodnota |
---|---|---|
Booster | Zadejte typ zesílení, například gbdt pro XGBoost. | řetězec |
boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
growPolicy | Zadejte zásadu zvětšení, která řídí způsob, jakým se nové uzly přidávají do stromu. | řetězec |
learningRate | Rychlost učení pro postup trénování | int |
MaxBin | Zadejte Maximální počet diskrétních přihrádek pro průběžné funkce kontejneru . | int |
maxDepth | Zadejte maximální hloubku, aby se hloubka stromu omezila explicitně. | int |
maxLeaves | Zadejte maximální počet listů, aby se listy stromu omezily explicitně. | int |
minDataInLeaf | Minimální počet dat na list. | int |
minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na uzlu typu list stromu. | int |
název_modelu | Název modelu, který se má vytrénovat. | řetězec |
nEstimátory | Zadejte počet stromů (nebo kruhových zaokrouhlení) v modelu. | int |
numLeaves | Zadejte počet listů. | int |
Název preprocesoru | Název preprocesoru, který se má použít. | řetězec |
regAlpha | L1 regularization term on weights. | int |
regLambda | Termín regularizace L2 na váze. | int |
subsample | Subsample poměr trénovací instance. | int |
subsampleFreq | Frekvence podpřízoru. | int |
stromMethod | Zadejte metodu stromové struktury. | řetězec |
směšné | Pokud ano, před škálováním dat pomocí standardu StandardScalar vycentrujte na střed. | bool |
sstd | Pokud ano, škálujte data pomocí jednotkového rozptylu pomocí standardu StandardScalar. | bool |
TableVerticalLimitSettings
Název | Description | Hodnota |
---|---|---|
enableEarlyTermination | Povolení předčasného ukončení určuje, jestli se úloha Automatického strojového učení předčasně ukončí, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre. | bool |
exitScore | Skóre ukončení úlohy AutoML | int |
maxConcurrentTrials | Maximální počet souběžných iterací. | int |
maxCoresPerTrial | Maximální počet jader na iteraci | int |
maxNodes | Maximální počet uzlů, které se mají použít pro experiment. | int |
maxTrials | Počet iterací. | int |
sweepConcurrentTrials | Počet souběžných spuštění úklidu, která chce uživatel aktivovat. | int |
sweepTrials | Počet spuštění úklidu, která chce uživatel aktivovat. | int |
timeout | Vypršení časového limitu úlohy AutoML | řetězec |
trialTimeout | Vypršení časového limitu iterace. | řetězec |
NCrossValidations
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoNCrossValidations
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim pro určení N-Křížového ověřování | "Automaticky" (povinné) |
CustomNCrossValidations
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim pro určení N-Křížového ověřování | 'Vlastní' (povinné) |
hodnota | [Povinné] Hodnota N-Cross validations | int (povinné) |
TableParameterSubspace
Název | Description | Hodnota |
---|---|---|
Booster | Zadejte typ zesílení, například gbdt pro XGBoost. | řetězec |
boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
growPolicy | Zadejte zásadu zvětšení, která řídí způsob přidání nových uzlů do stromu. | řetězec |
learningRate | Rychlost učení pro postup trénování. | řetězec |
MaxBin | Zadejte Maximální počet diskrétních intervalů pro spojité funkce kontejneru . | řetězec |
maxDepth | Zadejte maximální hloubku, aby se hloubka stromu omezila explicitně. | řetězec |
maxLeaves | Pokud chcete explicitně omezit listy stromu, zadejte maximální počet listů. | řetězec |
minDataInLeaf | Minimální počet dat na list. | řetězec |
minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu. | řetězec |
modelName | Název modelu, který se má vytrénovat. | řetězec |
nEstimátory | Zadejte počet stromů (nebo kruhových zaokrouhlení) v modelu. | řetězec |
numLeaves | Zadejte počet listů. | řetězec |
Název preprocesoru | Název preprocesoru, který se má použít. | řetězec |
regAlpha | L1 regularization term on weights. | řetězec |
regLambda | Termín regularizace L2 na váze. | řetězec |
subsample | Subsample poměr trénovací instance. | řetězec |
subsampleFreq | Frekvence podpřízorku | řetězec |
treeMethod | Zadejte metodu stromu. | řetězec |
s aplikacíMean | Pokud je true, před škálováním dat pomocí StandardScalar vycentrujte. | řetězec |
sestd | Pokud je true, škálujte data pomocí Unit Variance pomocí StandardScalar. | řetězec |
Nastavení tabulky
Název | Description | Hodnota |
---|---|---|
earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
samplingAlgorithm | [Povinné] Typ algoritmu vzorkování | "Bayesovská" 'Mřížka' 'Random' (povinné) |
EarlyTerminationPolicy
Název | Description | Hodnota |
---|---|---|
delayEvaluation | Počet intervalů, o které se má zpozdit první vyhodnocení | int |
evaluationInterval | Interval (počet spuštění) mezi vyhodnoceními zásad | int |
policyType | Nastavení typu objektu | Bandita MediánStopping TruncationSelection (povinné) |
Zásady bandit
Název | Description | Hodnota |
---|---|---|
policyType | [Povinné] Název konfigurace zásad | 'Bandit' (povinné) |
slackAmount | Je povolená absolutní vzdálenost od běhu s nejlepším výkonem. | int |
SlackFactor | Poměr povolené vzdálenosti od nejvýkonnějšího běhu | int |
Zásady medianStoppingPolicy
Název | Description | Hodnota |
---|---|---|
policyType | [Povinné] Název konfigurace zásad | 'MedianStopping' (povinné) |
TruncationSelectionPolicy
Název | Description | Hodnota |
---|---|---|
policyType | [Povinné] Název konfigurace zásad | TruncationSelection (povinné) |
truncationPercentage | Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení. | int |
ClassificationTrainingSettings
Název | Description | Hodnota |
---|---|---|
allowedTrainingAlgorithms | Povolené modely pro úlohu klasifikace | Pole řetězců obsahující některou z těchto možností: BernoulliNaiveBayes 'DecisionTree' 'ExtremeRandomTrees' GradientBoosting "KNN" 'LightGBM' 'LinearSVM' Logistická regrese 'MultinomialNaiveBayes' 'RandomForest' 'SGD' SVM 'XGBoostClassifier' |
blockedTrainingAlgorithms | Blokované modely pro úlohu klasifikace | Pole řetězců obsahující některou z těchto možností: BernoulliNaiveBayes 'DecisionTree' 'ExtremeRandomTrees' GradientBoosting "KNN" 'LightGBM' 'LinearSVM' Logistická regrese 'MultinomialNaiveBayes' 'RandomForest' 'SGD' SVM 'XGBoostClassifier' |
enableDnnTraining | Povolte doporučení modelů DNN. | bool |
enableModelExplainability | Příznakem zapnete u nejlepšího modelu vysvětlitelnost. | bool |
enableOnnxCompatibleModels | Příznak pro povolení modelů kompatibilních s onnx. | bool |
enableStackEnsemble | Povolte spuštění souboru zásobníku. | bool |
enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | bool |
ensembleModelDownloadTimeout | Během generování modelů VotingEnsemble a StackEnsemble se stáhne několik modelů vybavených z předchozích podřízených spuštění. Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
stackEnsembleSettings | Nastavení souboru zásobníku pro spuštění souboru zásobníku. | StackEnsembleSettings |
trainingMode | Režim TrainingMode – nastavení na "auto" je stejné jako nastavení na zatím nedistribuovaný režim, ale v budoucnu může vést k výběru režimu na základě heuristiky. Výchozí hodnota je "auto". Pokud je "Distribuované", použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud "NonDistributed", jsou vybrány pouze nedistribuované algoritmy. |
'Automaticky' 'Distribuované' Nedistributed |
StackEnsembleSettings
Název | Description | Hodnota |
---|---|---|
stackMetaLearnerKWargs | Volitelné parametry, které se mají předat inicializátoru meta-learneru. | |
stackMetaLearnerTrainPercentage | Určuje podíl trénovací sady (při výběru typu trénování a ověřování trénování), který má být vyhrazen pro trénování metaučchače. Výchozí hodnota je 0,2. | int |
stackMetaLearnerType | Meta-learner je model natrénovaný na výstupu jednotlivých heterogenních modelů. | ElasticNet ElasticNetCV 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' Logistická regrese 'LogisticRegressionCV' 'Žádný' |
Prognózování
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | Prognózování (povinné) |
cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | TableFixedParameters |
forecastingSettings | Prognózování vstupů specifických pro úkol. | ForecastingSettings |
limitSettings | Omezení spouštění pro úlohu AutoML. | TableVerticalLimitSettings |
nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
primaryMetric | Primární metrika pro úkol prognózování | NormalizedMeanAbsoluteError NormaldRootMeanSquaredError R2Score 'SpearmanCorrelation' |
prostor vyhledávání | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
sweepSettings | Nastavení pro zametání modelů a ladění hyperparametrů | Nastavení tabulky |
Testdata | Otestujte vstup dat. | MLTableJobInput |
testDataSize | Část testovací datové sady, která musí být vyhrazena pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | ForecastingTrainingSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
váhový NázevSloupce | Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech jsou vážené nahoru nebo dolů. | řetězec |
ForecastingSettings
Název | Description | Hodnota |
---|---|---|
země Nebo OblastProHolidays | Země nebo oblast pro svátky pro úkoly prognózy Měly by to být dvoumísmenné kódy země/oblasti iso 3166, například "US" nebo "GB". |
řetězec |
cvStepSize | Počet období mezi časem vzniku jednoho cv fold a dalším přehybem. Pro například pokud CVStepSize = 3 pro denní data, čas počátku každého foldu budetři dny od sebe. |
int |
funkceLags | Příznak pro generování prodlev pro číselné funkce s "auto" nebo null. | 'Automaticky' 'Žádný' |
featuresUnknownAtForecastTime | Sloupce funkcí, které jsou k dispozici pro trénování, ale nejsou v době prognózy nebo odvozování neznámé. Pokud není nastavená features_unknown_at_forecast_time, předpokládá se, že jsou v době odvozování známé všechny sloupce funkcí v datové sadě. |
string[] |
prognózaHorizon | Požadovaný maximální horizont prognózy v jednotkách frekvence časových řad. | PrognózaHorizon |
frequency | Při prognózování tento parametr představuje období, se kterým je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datové sady. | řetězec |
Sezónnost | Nastavte sezónnost časových řad jako celočíselný násobek frekvence řady. Pokud je sezónnost nastavená na hodnotu "auto", bude odvozena. |
Sezónnost |
shortSeriesHandlingConfig | Parametr definující, jak má AutoML zpracovávat krátké časové řady. | 'Automaticky' 'Drop' 'Žádný' 'Pad' |
targetAggregateFunction | Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala frekvenci zadané uživatelem. Pokud je TargetAggregateFunction nastavena, tj. nikoli None, ale není nastaven parametr freq, je vyvolána chyba. Možné cílové agregační funkce jsou: "sum", "max", "min" a "mean". |
'Max' 'Střední' 'Min' 'Žádný' 'Součet' |
cílovélagy | Počet minulých období, která se mají zpožďovat od cílového sloupce | Cílovélagy |
targetRollingWindowSize | Počet minulých období použitých k vytvoření průměru posuvného okna cílového sloupce. | TargetRollingWindowSize |
timeColumnName | Název sloupce času. Tento parametr se vyžaduje při prognózování k určení sloupce datetime ve vstupních datech použitých pro sestavení časové řady a odvozování její frekvence. | řetězec |
timeSeriesIdColumnNames | Názvy sloupců, které se používají k seskupení časových období. Dá se použít k vytvoření více řad. Pokud není definováno agregační interval, předpokládá se, že datová sada je jednou časovou řadou. Tento parametr se používá při prognózování typu úlohy. |
string[] |
useStl | Nakonfigurujte STL rozklad cílového sloupce časové řady. | 'Žádný' 'Season' 'SeasonTrend' |
PrognózaHorizon
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
Automatické předsměrové vysíláníHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru hodnot horizontu prognózy. | "Automaticky" (povinné) |
CustomForecastHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru hodnot horizontu prognózy. | Vlastní (povinné) |
hodnota | [Povinné] Hodnota horizontu prognózy. | int (povinné) |
Sezónnost
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoSeasonality
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim sezónnosti. | "Automaticky" (povinné) |
VlastníSeasonality
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim sezónnosti. | Vlastní (povinné) |
hodnota | [Povinné] Hodnota sezónnosti. | int (povinné) |
Cílovélagy
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoTargetLags
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavení režimu prodlevy cíle – automatické nebo vlastní | "Automaticky" (povinné) |
CustomTargetLags
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavení režimu prodlevy cíle – automatické nebo vlastní | Vlastní (povinné) |
values | [Povinné] Nastavte hodnoty prodlevy cíle. | int[] (povinné) |
TargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoTargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim detekce TargetRollingWindowSiz. | "Automaticky" (povinné) |
CustomTargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim detekce TargetRollingWindowSiz. | Vlastní (povinné) |
hodnota | [Povinné] Hodnota TargetRollingWindowSize. | int (povinné) |
ForecastingTrainingSettings
Název | Description | Hodnota |
---|---|---|
allowedTrainingAlgorithms | Povolené modely pro úlohu prognózování | Pole řetězců obsahující některou z těchto možností: 'Arimax' AutoArima "Průměr" 'DecisionTree' ElasticNet ExponentialSmoothing 'ExtremeRandomTrees' GradientBoosting 'KNN' LassoLars 'LightGBM' 'Naive' 'Prorok' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Blokované modely pro úlohu prognózování | Pole řetězců obsahující některou z těchto možností: 'Arimax' AutoArima "Průměr" 'DecisionTree' ElasticNet ExponentialSmoothing 'ExtremeRandomTrees' GradientBoosting 'KNN' LassoLars 'LightGBM' 'Naive' 'Prorok' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
enableDnnTraining | Povolte doporučení modelů DNN. | bool |
enableModelExplainability | Příznak pro zapnutí vysvětlitelnosti u nejlepšího modelu. | bool |
enableOnnxCompatibleModels | Příznak pro povolení modelů kompatibilních s onnx. | bool |
enableStackEnsemble | Povolte spuštění souboru zásobníku. | bool |
enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | bool |
ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne více fitovaných modelů z předchozích podřízených spuštění. Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
nastavení stackEnsembleSettings | Spustí se nastavení souboru zásobníku pro soubor zásobníku. | Nastavení StackEnsembleSettings |
trénovací režim | Režim TrainingMode – nastavení na "auto" je stejné jako nastavení na "nedistribuovaný", ale v budoucnu může vést k výběru režimu na základě smíšeného režimu nebo heuristiky. Výchozí hodnota je auto. Pokud je distribuované, použije se pouze distribuovaná funkce a zvolí se distribuované algoritmy. Pokud "NonDistributed", pak jsou vybrány pouze nedistribuované algoritmy. |
'Automaticky' 'Distribuované' Nedistributed |
ImageClassification
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | ImageClassification (povinné) |
limitSettings | [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu. | ImageModelSettingsClassification |
primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | 'AUCWeighted' 'Přesnost' AveragePrecisionScoreWeighted NormMacroRecall 'PrecisionScoreWeighted' |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Nastavení související s úklidem modelů a hyperparametry. | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
ImageLimitSettings
Název | Description | Hodnota |
---|---|---|
maxConcurrentTrials | Maximální počet souběžných iterací automatického strojového učení | int |
maxTrials | Maximální počet iterací automatického strojového učení | int |
timeout | Vypršení časového limitu úlohy AutoML | řetězec |
ImageModelSettingsClassification
Název | Description | Hodnota |
---|---|---|
advancedSettings | Nastavení pro pokročilé scénáře. | řetězec |
amsGradient | Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". | bool |
rozšíření | Nastavení pro použití rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | int |
beta2 | Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | int |
kontrolní bodFrequency | Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. | int |
checkpointModel | Předtrénovaný model kontrolních bodů pro přírůstkové trénování | MLFlowModelJobInput |
checkpointRunId | ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. | řetězec |
Distribuované | Jestli se má použít distribuované trénování. | bool |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | bool |
earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky je sledován pro brzké zastavení. Musí být kladné celé číslo. |
int |
earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před spuštění je zastaveno. Musí být kladné celé číslo. |
int |
enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | bool |
evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | int |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při kumulaci gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
int |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. | int |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". | 'Žádný' 'Krok' "WarmupCosine" |
modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
Hybnost | Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. | int |
Nesterov | Povolte nesterov, pokud je optimalizátor "sgd". | bool |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | int |
numberOfWorkers | Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. | int |
Optimalizátor | Typ optimalizátoru | Adam Adamw 'Žádný' 'Sgd' |
randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | int |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1]. | int |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | int |
trainingBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | int |
trainingCropSize | Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. | int |
validationBatchSize | Velikost dávky ověření. Musí být kladné celé číslo. | int |
validationCropSize | Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. | int |
validationResizeSize | Velikost obrázku, na kterou se má změnit velikost před oříznutím pro účely ověření datové sady. Musí být kladné celé číslo. | int |
warmupCosineLRCycles | Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. | int |
warmupCosineLRWarmupEpochs | Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. | int |
váhaDecay | Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. | int |
weightedLoss | Vážená ztráta. Akceptované hodnoty jsou 0 pro žádné vážené ztráty. 1 pro hubnutí sqrt. (class_weights). 2 pro hubnutí s class_weights. Musí být 0, 1 nebo 2. |
int |
MLFlowModelJobInput
Název | Description | Hodnota |
---|---|---|
description | Popis vstupu. | řetězec |
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" 'literál' 'mlflow_model' 'mltable' 'triton_model' "uri_file" "uri_folder" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
Název | Description | Hodnota |
---|---|---|
amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | řetězec |
rozšíření | Nastavení pro používání rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | řetězec |
beta2 | Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | řetězec |
Distribuované | Jestli se má použít trénování distribuce. | řetězec |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | řetězec |
earlyStoppingDelay | Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky je sledováno pro předčasné zastavení. Musí být kladné celé číslo. |
řetězec |
earlyStoppingPatience | Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před spuštění je zastaveno. Musí být kladné celé číslo. |
řetězec |
enableOnnxNormalization | Povolení normalizace při exportu modelu ONNX | řetězec |
evaluationFrequency | Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | řetězec |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při shromažďování gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
řetězec |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo. Například předání 2 jako hodnoty pro 'seresnext' znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
learningRate | Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. | řetězec |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. | řetězec |
název_modelu | Název modelu, který se má použít pro trénování. Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
Hybnost | Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
Nesterov | Povolte nesterov, pokud je optimalizátor sgd. | řetězec |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | řetězec |
numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | řetězec |
Optimalizátor | Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". | řetězec |
randomSeed | Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. | řetězec |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | řetězec |
trénováníBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | řetězec |
trainingCropSize | Velikost oříznutí obrázku, která je vstupem do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. | řetězec |
validationBatchSize | Velikost ověřovací dávky. Musí být kladné celé číslo. | řetězec |
validationCropSize | Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. | řetězec |
validationResizeSize | Velikost obrázku, na kterou chcete před oříznutím změnit velikost datové sady pro ověření. Musí být kladné celé číslo. | řetězec |
warmupCosineLRCycles | Hodnota kosinusového cyklu při plánovači rychlosti učení je "warmup_cosine". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
warmupCosineLRWarmupEpochs | Hodnota epoch zahřátí při plánovači rychlosti učení je "warmup_cosine". Musí být kladné celé číslo. | řetězec |
váhaDecay | Hodnota hmotnosti se rozpadne, když optimalizátor je "sgd", "adam" nebo "adamw". Musí se jednat o float v rozsahu[0, 1]. | řetězec |
weightedLoss | Vážená ztráta. Přípustné hodnoty jsou 0 bez vážené ztráty. 1 pro váženou ztrátu sqrt. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0, 1 nebo 2. |
řetězec |
ImageSweepSettings
Název | Description | Hodnota |
---|---|---|
earlyTermination | Typ zásad předčasného ukončení | EarlyTerminationPolicy |
samplingAlgorithm | [Povinné] Typ algoritmů vzorkování hyperparametrů | "Bayesovská" 'Mřížka' 'Random' (povinné) |
ImageClassificationMultilabel
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | ImageClassificationMultilabel (povinné) |
limitSettings | [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu. | ImageModelSettingsClassification |
primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | 'AUCWeighted' 'Přesnost' AveragePrecisionScoreWeighted "IOU" 'NormMacroRecall' 'PrecisionScoreWeighted' |
prostor vyhledávání | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Související nastavení úklidu modelů a hyperparametrů | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
ImageInstanceSegmentation
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | ImageInstanceSegmentation (povinné) |
limitSettings | [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu. | ImageModelSettingsObjectDetection |
primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | 'MeanAveragePrecision' |
prostor vyhledávání | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Související nastavení úklidu modelů a hyperparametrů | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
ImageModelSettingsObjectDetection
Název | Description | Hodnota |
---|---|---|
advancedSettings | Nastavení pro pokročilé scénáře | řetězec |
amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | bool |
rozšíření | Nastavení pro používání rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | int |
beta2 | Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | int |
boxDetectionsPerImage | Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
boxScoreThreshold | Během odvozu vrací pouze návrhy se skóre klasifikace vyšším než BoxScoreThreshold. Musí se jednat o float v rozsahu[0, 1]. |
int |
kontrolní bodFrequency | Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. | int |
checkpointModel | Předem vytrénovaný model kontrolních bodů pro přírůstkové trénování. | MLFlowModelJobInput |
checkpointRunId | ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. | řetězec |
Distribuované | Jestli se má použít distribuované trénování. | bool |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | bool |
earlyStoppingDelay | Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky je sledováno pro předčasné zastavení. Musí být kladné celé číslo. |
int |
earlyStoppingPatience | Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před spuštění je zastaveno. Musí být kladné celé číslo. |
int |
enableOnnxNormalization | Povolení normalizace při exportu modelu ONNX | bool |
evaluationFrequency | Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | int |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při shromažďování gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
int |
Imagesize | Velikost obrázku pro trénování a ověřování. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
int |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo. Například předání 2 jako hodnoty pro 'seresnext' znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. | int |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. | 'Žádný' 'Krok' "WarmupCosine" |
logTrainingMetrics | Povolte výpočetní a protokolovací metriky pro trénování. | 'Zakázat' Povolit |
logValidationLoss | Povolte výpočetní a protokolovací ztrátu ověřování. | 'Zakázat' Povolit |
maxSize | Maximální velikost obrázku, který se má před odesláním do páteřní sítě změnit měřítko. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
Minsize | Minimální velikost obrázku, která se má před odesláním do páteřní sítě změnit měřítko. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
název_modelu | Název modelu, který se má použít pro trénování. Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
velikost modelu | Velikost modelu. Musí to být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je model příliš velký. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
"ExtraLarge" 'Velký' "Střední" 'Žádný' "Malý" |
Hybnost | Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. | int |
multiscale | Povolte image s více měřítky tím, že velikost obrázku se liší o +/-50 %. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
bool |
Nesterov | Povolte nesterov, pokud je optimalizátor sgd. | bool |
nmsIouThreshold | Prahová hodnota IOU použitá při odvození v nms následném zpracování. Musí se jednat o float v rozsahu [0, 1]. | int |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | int |
numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | int |
Optimalizátor | Typ optimalizátoru | "Adam" Adamw 'Žádný' 'Sgd' |
randomSeed | Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. | int |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. | int |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | int |
tileGridSize | Velikost mřížky, která se má použít pro dlaždici každého obrázku. Poznámka: TileGridSize nesmí být Žádná, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
tileOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v jednotlivých dimenzích Musí být float v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
tilePredictionsNmsThreshold | Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být float v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
trainingBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | int |
validationBatchSize | Velikost dávky ověření. Musí být kladné celé číslo. | int |
validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být float v rozsahu [0, 1]. | int |
validationMetricType | Metoda výpočtu metrik, která se má použít pro ověřovací metriky. | "Coco" "CocoVoc" 'Žádný' 'Voc' |
warmupCosineLRCycles | Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. | int |
warmupCosineLRWarmupEpochs | Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. | int |
váhaDecay | Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. | int |
ImageModelDistributionSettingsObjectDetection
Název | Description | Hodnota |
---|---|---|
amsGradient | Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". | řetězec |
rozšíření | Nastavení pro použití rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
beta2 | Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
boxDetectionsPerImage | Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
boxScoreThreshold | Během odvozováním vrací pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí být float v rozsahu[0, 1]. |
řetězec |
Distribuované | Jestli se má použít trénování distribuce. | řetězec |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | řetězec |
earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky je sledován pro brzké zastavení. Musí být kladné celé číslo. |
řetězec |
earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před spuštění je zastaveno. Musí být kladné celé číslo. |
řetězec |
enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | řetězec |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při kumulaci gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
řetězec |
Imagesize | Velikost obrázku pro trénování a ověřování Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
learningRate | Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. | řetězec |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". | řetězec |
maxSize | Maximální velikost obrázku, který má být před odesláním do páteřní sítě přeškálován. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
Minsize | Minimální velikost image, která se má změnit na měřítko před tím, než ho nasdílíte do páteřní sítě. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
modelSize | Velikost modelu. Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
Hybnost | Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. | řetězec |
multiScale | Povolte vícenásobnou velikost obrázku tak, že velikost obrázku nastavíte o +/- 50 %. Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
Nesterov | Povolte nesterov, pokud je optimalizátor "sgd". | řetězec |
nmsIouThreshold | Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být float v rozsahu [0, 1]. | řetězec |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | řetězec |
numberOfWorkers | Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. | řetězec |
Optimalizátor | Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". | řetězec |
randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | řetězec |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1]. | řetězec |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | řetězec |
tileGridSize | Velikost mřížky, která se má použít pro dlaždici jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádný, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
tileOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v jednotlivých dimenzích Musí být float v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
tilePredictionsNmsThreshold | Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být float v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". NMS: Ne maximální potlačení |
řetězec |
trainingBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | řetězec |
validationBatchSize | Velikost dávky ověření. Musí být kladné celé číslo. | řetězec |
validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být float v rozsahu [0, 1]. | řetězec |
validationMetricType | Metoda výpočtu metrik, která se má použít pro ověřovací metriky. Musí být "none", "coco", "voc" nebo "coco_voc". | řetězec |
warmupCosineLRCycles | Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. | řetězec |
warmupCosineLRWarmupEpochs | Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. | řetězec |
váhaDecay | Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. | řetězec |
ImageObjectDetection
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | ImageObjectDetection (povinné) |
limitSettings | [Povinné] Omezení nastavení pro úlohu AutoML | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu | ImageModelSettingsObjectDetection |
primaryMetric | Primární metrika pro optimalizaci pro tento úkol | 'MeanAveragePrecision' |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Nastavení související s úklidem modelů a hyperparametry. | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
Regrese
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | Regrese (povinné) |
cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | TableFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | TableVerticalLimitSettings |
nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
primaryMetric | Primární metrika pro regresní úlohu | NormaldMeanAbsoluteError NormalizedRootMeanSquaredError 'R2Score' 'SpearmanCorrelation' |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
Testdata | Testování vstupu dat | MLTableJobInput |
testDataSize | Zlomek testovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | RegressionTrainingSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
weightColumnName | Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje jako vstup vážený sloupec, což způsobuje, že se řádky v datech váží nahoru nebo dolů. | řetězec |
RegressionTrainingSettings
Název | Description | Hodnota |
---|---|---|
allowedTrainingAlgorithms | Povolené modely pro regresní úlohu | Pole řetězců obsahující některou z těchto možností: 'DecisionTree' ElasticNet 'ExtremeRandomTrees' GradientBoosting "KNN" LassoLars 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Blokované modely pro regresní úlohu | Pole řetězců obsahující některou z těchto možností: 'DecisionTree' ElasticNet 'ExtremeRandomTrees' GradientBoosting "KNN" LassoLars 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
enableDnnTraining | Povolte doporučení modelů DNN. | bool |
enableModelExplainability | Příznakem zapnete u nejlepšího modelu vysvětlitelnost. | bool |
enableOnnxCompatibleModels | Příznak pro povolení modelů kompatibilních s onnx. | bool |
enableStackEnsemble | Povolte spuštění souboru zásobníku. | bool |
enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | bool |
ensembleModelDownloadTimeout | Během generování modelů VotingEnsemble a StackEnsemble se stáhne několik modelů vybavených z předchozích podřízených spuštění. Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
stackEnsembleSettings | Nastavení souboru zásobníku pro spuštění souboru zásobníku. | StackEnsembleSettings |
trainingMode | Režim TrainingMode – nastavení na "auto" je stejné jako nastavení na zatím nedistribuovaný režim, ale v budoucnu může vést k výběru režimu na základě heuristiky. Výchozí hodnota je "auto". Pokud je "Distribuované", použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud "NonDistributed", jsou vybrány pouze nedistribuované algoritmy. |
'Automaticky' 'Distribuované' Nedistributed |
TextClassification
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | 'TextClassification' (povinné) |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | NlpFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | NlpVerticalLimitSettings |
primaryMetric | Primární metrika pro Text-Classification úkol | 'AUCWeighted' 'Přesnost' AveragePrecisionScoreWeighted NormMacroRecall 'PrecisionScoreWeighted' |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
NlpVerticalFeaturizationSettings
Název | Description | Hodnota |
---|---|---|
datasetLanguage | Jazyk datové sady, který je užitečný pro textová data. | řetězec |
NlpFixedParameters
Název | Description | Hodnota |
---|---|---|
gradientAccumulationSteps | Počet kroků k nahromadění přechodů před spuštěním zpětného průchodu | int |
learningRate | Rychlost učení pro postup trénování. | int |
learningRateScheduler | Typ rozvrhu rychlosti učení, který se má použít během postupu trénování. | 'Konstanta' 'ConstantWithWarmup' "Kosinus" CosineWithRestarts 'Lineární' 'Žádný' 'Polynom' |
modelName | Název modelu, který chcete vytrénovat. | řetězec |
numberOfEpochs | Počet epoch trénování | int |
trainingBatchSize | Velikost dávky pro trénovací proceduru | int |
validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | int |
warmupRatio | Poměr zahřátí, který se používá společně s LrSchedulerType. | int |
váhaDecay | Hmotnost rozpadu pro trénovací proceduru. | int |
NlpVerticalLimitSettings
Název | Description | Hodnota |
---|---|---|
maxConcurrentTrials | Maximální počet souběžných iterací automatického strojového učení | int |
maxNodes | Maximální počet uzlů, které se mají použít pro experiment. | int |
maxTrials | Počet iterací automatického strojového učení | int |
timeout | Vypršení časového limitu úlohy AutoML | řetězec |
trialTimeout | Časový limit pro jednotlivé zkušební verze HD. | řetězec |
NlpParameterSubspace
Název | Description | Hodnota |
---|---|---|
gradientAccumulationSteps | Počet kroků k nahromadění přechodů před spuštěním zpětného průchodu | řetězec |
learningRate | Rychlost učení pro postup trénování. | řetězec |
learningRateScheduler | Typ rozvrhu rychlosti učení, který se má použít během postupu trénování. | řetězec |
modelName | Název modelu, který chcete vytrénovat. | řetězec |
numberOfEpochs | Počet epoch trénování | řetězec |
trainingBatchSize | Velikost dávky pro trénovací proceduru | řetězec |
validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | řetězec |
warmupRatio | Poměr zahřátí, který se používá společně s LrSchedulerType. | řetězec |
váhaDecay | Hmotnost rozpadu pro trénovací proceduru. | řetězec |
NlpSweepSettings
Název | Description | Hodnota |
---|---|---|
earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
samplingAlgorithm | [Povinné] Typ algoritmu vzorkování. | "Bayesian" 'Mřížka' 'Random' (povinné) |
TextClassificationMultilabel
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | TextClassificationMultilabel (povinné) |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | NlpFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | NlpVerticalLimitSettings |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
TextNer
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | TextNER (povinné) |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | NlpFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | NlpVerticalLimitSettings |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
Úloha příkazového řádku
Název | Description | Hodnota |
---|---|---|
jobType | [Povinné] Určuje typ úlohy. | Příkaz (povinné) |
autologgerSettings | Konfigurace distribuce úlohy. Pokud je tato možnost nastavená, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. | Nastavení autologgeru |
id kódu | ID prostředku ARM pro prostředek kódu. | řetězec |
command | [Povinné] Příkaz, který se má spustit při spuštění úlohy. např. "python train.py" | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Distribuce | Konfigurace distribuce úlohy. Pokud je tato možnost nastavená, měla by to být hodnota Mpi, Tensorflow, PyTorch, Ray nebo null. | DistributionConfiguration (Konfigurace distribuce) |
environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
environmentVariables | Proměnné prostředí zahrnuté v úloze. | CommandJobEnvironmentVariables |
Vstupy | Mapování vstupních datových vazeb použitých v úloze | CommandJobInputs |
Limity | Limit úlohy příkazu | CommandJobLimits |
Výstupy | Mapování výstupních datových vazeb použitých v úloze | Výstupy úloh příkazů |
queueSettings | Nastavení fronty pro úlohu | Nastavení fronty |
resources | Konfigurace výpočetního prostředku pro úlohu | Konfigurace zdroje úlohy |
AutologgerSettings
Název | Description | Hodnota |
---|---|---|
mlflowAutologger | [Povinné] Určuje, jestli je povolený modul autologger toku mlflow. | Zakázáno Povoleno (povinné) |
Konfigurace distribuce
Název | Description | Hodnota |
---|---|---|
distributionType | Nastavení typu objektu | Mpi PyTorch Ray TensorFlow (povinné) |
Mpi
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | Mpi (povinné) |
processCountPerInstance | Počet procesů na uzel MPI | int |
PyTorch
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | PyTorch (povinné) |
processCountPerInstance | Počet procesů na uzel | int |
Ray
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | "Ray" (povinné) |
adresa | Adresa hlavního uzlu Ray. | řetězec |
řídicí panel | Port pro vazbu serveru řídicího panelu. | int |
headNodeAdditionalArgs | Další argumenty předané do ray startu v hlavním uzlu. | řetězec |
includeDashboard | Zadejte tento argument pro spuštění grafického uživatelského rozhraní řídicího panelu Ray. | bool |
port | Port procesu head ray. | int |
workerNodeAdditionalArgs | Další argumenty předané do ray start v pracovním uzlu. | řetězec |
TensorFlow
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | TensorFlow (povinné) |
parametrServerCount | Počet úloh serveru parametrů | int |
počet pracovních procesů | Počet pracovních procesů Pokud není zadaný, použije se výchozí počet instancí. | int |
CommandJobEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
CommandJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | JobInput |
JobInput
Název | Description | Hodnota |
---|---|---|
description | Popis vstupu. | řetězec |
jobInputType | Nastavení typu objektu | custom_model Literálu mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
LiteralJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "literál" (povinné) |
hodnota | [Povinné] Hodnota literálu pro vstup. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
TritonModelJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "triton_model" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
UriFileJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "uri_file" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
UriFolderJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "uri_folder" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" 'Stáhnout' EvalDownload 'EvalMount' ReadOnlyMount 'ReadWriteMount' |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
CommandJobLimits
Název | Description | Hodnota |
---|---|---|
jobLimitsType | [Povinné] Typ JobLimit | 'Příkaz' "Uklidit" (povinné) |
timeout | Maximální doba běhu ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. | řetězec |
Výstupy úloh příkazů
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Výstupní úloha |
Popisování ÚlohProperties
Název | Description | Hodnota |
---|---|---|
id komponenty | ID prostředku arm prostředku komponenty. | řetězec |
computeId | ID prostředku ARM výpočetního prostředku | řetězec |
konfigurace dat | Konfigurace dat použitých v úloze | LabelingDataConfiguration |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název úlohy | řetězec |
název experimentu | Název experimentu, do který úloha patří. Pokud není nastavená, úloha se umístí do experimentu Výchozí. | řetězec |
identity | Konfigurace identity. Pokud je nastaveno, měl by to být AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota je AmlToken, pokud je null. |
Konfigurace identity |
isArchived | Je prostředek archivovaný? | bool |
jobInstructions | Pokyny k označení úlohy. | LabelingJobInstructions |
typ úlohy | [Povinné] Určuje typ úlohy. | AutoML 'Příkaz' 'Popisování' 'Kanál' Spark "Uklidit" (povinné) |
labelCategories | Označte kategorie úlohy. | PopiskyJobLabelCategories |
labelingJobMediaProperties | Typ média specifické vlastnosti v úloze. | PopisováníJobMediaProperties |
MlAssistConfiguration | Konfigurace funkce MLAssist v úloze | MLAssistConfiguration |
nastavení oznámení | Nastavení oznámení pro úlohu | Nastavení oznámení |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
konfigurace tajných kódů | Konfigurace tajných kódů, které se mají zpřístupnit za běhu | JobBaseSecretsConfiguration |
services | Seznam koncových bodů úloh. Pro místní úlohy bude koncový bod úlohy mít hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
LabelingDataConfiguration
Název | Description | Hodnota |
---|---|---|
ID dat | ID prostředku datového assetu, který se má popisovat. | řetězec |
přírůstkovádatarefresh | Určuje, jestli se má povolit přírůstková aktualizace dat. | Zakázáno Povoleno |
LabelingJobInstructions
Název | Description | Hodnota |
---|---|---|
Uri | Odkaz na stránku s podrobnými pokyny k popisování popisků. | řetězec |
PopiskyJobLabelCategories
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | LabelCategory | |
{přizpůsobená vlastnost} | LabelCategory |
LabelCategory
Název | Description | Hodnota |
---|---|---|
Třídy | Slovník tříd popisků v této kategorii. | LabelCategoryClasses |
displayName | Zobrazovaný název kategorie štítků | řetězec |
Multiselect | Určuje, zda je povoleno vybrat více tříd v této kategorii. | Zakázáno Povoleno |
LabelCategoryClasses
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Třída LabelClass |
Třída LabelClass
Název | Description | Hodnota |
---|---|---|
displayName | Zobrazovaný název třídy popisku | řetězec |
Podtříd | Slovník podtříd třídy label. | LabelClassSubclasses |
LabelClassSubclasses
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Třída LabelClass |
PopisováníJobMediaProperties
Název | Description | Hodnota |
---|---|---|
Mediatype | Nastavení typu objektu | Obrázek Text (povinné) |
LabelingJobImageProperties
Název | Description | Hodnota |
---|---|---|
Mediatype | [Povinné] Typ média úlohy. | Obrázek (povinné) |
typ poznámky | Typ poznámky pro úlohu popisování obrázků. | 'BoundingBox' 'Klasifikace' InstanceSegmentation |
PopisováníJobTextVlastnosti
Název | Description | Hodnota |
---|---|---|
Mediatype | [Povinné] Typ média úlohy. | Text (povinné) |
typ poznámky | Typ poznámky úlohy popisování textu. | 'Klasifikace' 'NamedEntityRecognition' |
MLAssistConfiguration
Název | Description | Hodnota |
---|---|---|
MlAssist | Nastavení typu objektu | Zakázáno Povoleno (povinné) |
MLAssistConfigurationDisabled
Název | Description | Hodnota |
---|---|---|
MlAssist | [Povinné] Označuje, jestli je povolená funkce MLAssist. | Zakázáno (povinné) |
MLAssistConfigurationEnabled
Název | Description | Hodnota |
---|---|---|
MlAssist | [Povinné] Označuje, jestli je povolená funkce MLAssist. | Povoleno (povinné) |
inferencingComputeBinding | [Povinné] Výpočetní vazba AML používaná při odvozování. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
trainingComputeBinding | [Povinné] Výpočetní vazba AML používaná při trénování | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Úloha kanálu
Název | Description | Hodnota |
---|---|---|
jobType | [Povinné] Určuje typ úlohy. | Kanál (povinné) |
Vstupy | Vstupy pro úlohu kanálu. | PipelineJobInputs |
Úlohy | Úlohy vytvoří úlohu kanálu. | Úlohy pipelineJobJobs |
Výstupy | Výstupy pro úlohu kanálu | PipelineJobOutputs |
nastavení | Nastavení kanálu, například ContinueRunOnStepFailure atd. | |
sourceJobId | ID prostředku ARM zdrojové úlohy | řetězec |
PipelineJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | JobInput |
Úlohy pipelineJobJobs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} |
PipelineJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Output úlohy |
SparkJob
Název | Description | Hodnota |
---|---|---|
jobType | [Povinné] Určuje typ úlohy. | Spark (povinné) |
Archiv | Archivujte soubory použité v úloze. | string[] |
args | Argumenty pro úlohu | řetězec |
id kódu | [Povinné] ID prostředku ARM pro prostředek kódu. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Conf | Vlastnosti nakonfigurované Sparkem. | SparkJobConf |
entry | [Povinné] Položka, která se má spustit při spuštění úlohy. | SparkJobEntry (povinné) |
environmentId | ID prostředku ARM specifikace prostředí pro úlohu | řetězec |
environmentVariables | Proměnné prostředí zahrnuté v úloze. | SparkJobEnvironmentVariables |
files | Soubory použité v úloze | string[] |
Vstupy | Mapování vstupních datových vazeb používaných v úloze | SparkJobInputs |
Sklenice | Soubory JAR použité v úloze | string[] |
Výstupy | Mapování výstupních datových vazeb používaných v úloze | SparkJobOutputs |
pyFiles | Soubory Pythonu použité v úloze | string[] |
queueSettings | Nastavení fronty pro úlohu | QueueSettings |
resources | Konfigurace výpočetních prostředků pro úlohu | SparkResourceConfiguration |
SparkJobConf
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
SparkJobEntry
Název | Description | Hodnota |
---|---|---|
sparkJobEntryType | Nastavení typu objektu | SparkJobPythonEntry SparkJobScalaEntry (povinné) |
SparkJobPythonEntry
Název | Description | Hodnota |
---|---|---|
sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobPythonEntry (povinné) |
– soubor | [Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
SparkJobScalaEntry
Název | Description | Hodnota |
---|---|---|
sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobScalaEntry (povinné) |
Classname | [Povinné] Název třídy Scala použitý jako vstupní bod. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
SparkJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | JobInput |
SparkJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Output úlohy |
SparkResourceConfiguration
Název | Description | Hodnota |
---|---|---|
instanceType | Volitelný typ virtuálního počítače, který je podporován cílovým výpočetním prostředím. | řetězec |
runtimeVersion | Verze modulu runtime Spark použitého pro úlohu | řetězec |
Úloha úklidu
Název | Description | Hodnota |
---|---|---|
jobType | [Povinné] Určuje typ úlohy. | "Uklidit" (povinné) |
componentConfiguration (Konfigurace komponent) | Konfigurace komponenty pro zametení komponenty | Konfigurace komponent |
earlyTermination | Zásady předčasného ukončení umožňují zrušit spuštění s nízkým výkonem před jejich dokončením. | EarlyTerminationPolicy |
Vstupy | Mapování vstupních datových vazeb používaných v úloze | SweepJobInputs |
Limity | Limit úlohy úklidu. | SweepJobLimits |
Cílem | [Povinné] Cíl optimalizace. | Cíl (povinné) |
Výstupy | Mapování výstupních datových vazeb používaných v úloze | SweepJobOutputs |
queueSettings | Nastavení fronty pro úlohu | QueueSettings |
resources | Konfigurace výpočetních prostředků pro úlohu | JobResourceConfiguration |
samplingAlgorithm | [Povinné] Algoritmus vzorkování hyperparametrů | SamplingAlgorithm (povinné) |
searchSpace | [Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru. | |
trial | [Povinné] Definice zkušební komponenty. | Zkušební verze ( povinné) |
Konfigurace komponent
Název | Description | Hodnota |
---|---|---|
pipelineSettings | Nastavení kanálu, například ContinueRunOnStepFailure atd. |
SweepJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | JobInput |
SweepJobLimits
Název | Description | Hodnota |
---|---|---|
jobLimitsType | [Povinné] Typ JobLimit. | 'Příkaz' "Uklidit" (povinné) |
maxConcurrentTrials | Maximální počet souběžných zkušebních verzí úlohy úklidu. | int |
maxTotalTrials | Maximální celkový počet zkušebních verzí úklidové úlohy. | int |
timeout | Maximální doba spuštění ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. | řetězec |
trialTimeout | Hodnota časového limitu zkušební verze úlohy úklidu | řetězec |
Cíl
Název | Description | Hodnota |
---|---|---|
goal | [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. | Maximalizovat Minimalizovat (povinné) |
primaryMetric | [Povinné] Název metriky, která se má optimalizovat. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
SweepJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Output úlohy |
SamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | Nastavení typu objektu | Bayesovské Mřížky Náhodné (povinné) |
BayesianSamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | [Povinné] Algoritmus používaný pro generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | "Bayesian" (povinné) |
GridSamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | [Povinné] Algoritmus používaný pro generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | "Mřížka" (povinné) |
RandomSamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | [Povinné] Algoritmus používaný pro generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | 'Random' (povinné) |
logbase | Volitelné kladné číslo nebo e ve formátu řetězce, které se použije jako základ pro náhodné vzorkování založené na protokolu. | řetězec |
Pravidlo | Konkrétní typ náhodného algoritmu | 'Random' 'Sobol' |
Osiva | Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel | int |
Zkušební verze
Název | Description | Hodnota |
---|---|---|
id kódu | ID prostředku ARM pro prostředek kódu. | řetězec |
command | [Povinné] Příkaz, který se má spustit při spuštění úlohy. např. "python train.py" | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Distribuce | Konfigurace distribuce úlohy. Pokud je tato možnost nastavená, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. | DistributionConfiguration (Konfigurace distribuce) |
environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
environmentVariables | Proměnné prostředí zahrnuté v úloze. | TrialComponentEnvironmentVariables |
resources | Konfigurace výpočetních prostředků pro úlohu | JobResourceConfiguration |
TrialComponentEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
CreateMonitorAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | CreateMonitor (povinné) |
monitorDefinition | [Povinné] Definuje monitorování. | MonitorDefinition (povinné) |
Definice monitoru
Název | Description | Hodnota |
---|---|---|
alertNotificationSettings | Nastavení oznámení monitoru. | Nastavení MonitorNotificationSettings |
computeConfiguration | [Povinné] ID prostředku ARM výpočetního prostředku, na který se má spustit úloha monitorování. | MonitorComputeConfigurationBase (povinné) |
monitoringTarget | ID prostředku ARM modelu nebo nasazení, na které toto monitorování cílí. | MonitoringTarget |
Signály | [Povinné] Signály k monitorování. | MonitorDefinitionSignals (povinné) |
Nastavení MonitorNotificationSettings
Název | Description | Hodnota |
---|---|---|
emailNotificationSettings | Nastavení e-mailu s oznámením AML. | Nastavení MonitorEmailNotificationSettings |
Nastavení MonitorEmailNotificationSettings
Název | Description | Hodnota |
---|---|---|
E-maily | Toto je seznam příjemců e-mailu s omezením celkem 499 znaků. | string[] |
MonitorComputeConfigurationBase
Název | Description | Hodnota |
---|---|---|
computeType | Nastavení typu objektu | ServerlessSpark (povinné) |
MonitorServerlessSparkCompute
Název | Description | Hodnota |
---|---|---|
computeType | [Povinné] Určuje typ signálu, který se má monitorovat. | ServerlessSpark (povinné) |
computeIdentity | [Povinné] Schéma identit, které využívají úlohy Sparku spuštěné v bezserverové službě Spark. | MonitorComputeIdentityBase (povinné) |
instanceType | [Povinné] Typ instance, která spouští úlohu Sparku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
runtimeVersion | [Povinné] Verze modulu runtime Spark. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
MonitorComputeIdentityBase
Název | Description | Hodnota |
---|---|---|
computeIdentityType | Nastavení typu objektu | AmlToken ManagedIdentity (povinné) |
AmlTokenComputeIdentity
Název | Description | Hodnota |
---|---|---|
computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | AmlToken (povinné) |
ManagedComputeIdentity
Název | Description | Hodnota |
---|---|---|
computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | ManagedIdentity (povinné) |
identity | Identita spravované služby (identity přiřazené systémem nebo uživatelem) | ManagedServiceIdentity |
ManagedServiceIdentity
Název | Description | Hodnota |
---|---|---|
typ | Typ identity spravované služby (kde jsou povolené typy SystemAssigned i UserAssigned). | 'Žádný' 'SystemAssigned' 'SystemAssigned,UserAssigned' UserAssigned (povinné) |
userAssignedIdentity | Sada identit přiřazených uživatelem přidružených k prostředku. Klíče slovníku userAssignedIdentities budou ID prostředků ARM ve formátu /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Hodnoty slovníku můžou být prázdné objekty ({}) v požadavcích. | UserAssignedIdentities |
UserAssignedIdentities
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | UserAssignedIdentity |
UserAssignedIdentity
Tento objekt neobsahuje žádné vlastnosti, které by se nastavily během nasazování. Všechny vlastnosti jsou Jen pro čtení.
MonitoringTarget
Název | Description | Hodnota |
---|---|---|
deploymentId | ID prostředku ARM pro nasazení, na které toto monitorování cílí. | řetězec |
modelId | ID prostředku ARM modelu, na který toto monitorování cílí. | řetězec |
taskType | [Povinné] Typ úlohy strojového učení modelu. | 'Klasifikace' "QuestionAnswering" Regrese (povinné) |
MonitorDefinitionSignals
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | MonitoringSignalBase |
MonitoringSignalBase
Název | Description | Hodnota |
---|---|---|
notificationTypes | Aktuální režim oznámení pro tento signál. | Pole řetězců obsahující některou z těchto možností: 'AmlNotification' AzureMonitor |
properties | Slovník vlastností. Vlastnosti je možné přidat, ale ne odebrat ani změnit. | MonitoringSignalBaseProperties |
signalType | Nastavení typu objektu | Vlastní DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (povinné) |
MonitoringSignalBaseProperties
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
CustomMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | 'Vlastní' (povinné) |
componentId | [Povinné] ID prostředku ARM prostředku komponenty použitého k výpočtu vlastních metrik | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
inputAssets | Monitorování prostředků, které se mají brát jako vstup Klíč je název vstupního portu komponenty, hodnota je datový prostředek. | CustomMonitoringSignalInputAssets |
Vstupy | Další parametry komponenty, které se mají převzít jako vstup Klíč je název vstupního portu literálu komponenty, hodnota je hodnota parametru. | CustomMonitoringSignalInputs |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a jejich přidružené prahové hodnoty. | CustomMetricThreshold[] (povinné) |
pracovní prostorPřipojení | [Povinné] Seznam metrik, které se mají vypočítat, a jejich přidružené prahové hodnoty. | MonitoringWorkspaceConnection (povinné) |
CustomMonitoringSignalInputAssets
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | MonitoringInputDataBase |
MonitoringInputDataBase
Název | Description | Hodnota |
---|---|---|
columns | Mapování názvů sloupců na speciální použití | MonitoringInputDataBaseColumns |
Datacontext | Kontextová metadata zdroje dat. | řetězec |
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" 'literál' 'mlflow_model' 'mltable' 'triton_model' "uri_file" "uri_folder" (povinné) |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
inputDataType | Nastavení typu objektu | Pevný Válcování Statické (povinné) |
MonitoringInputDataBaseColumns
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
FixedInputData
Název | Description | Hodnota |
---|---|---|
inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Opraveno" (povinné) |
RollingInputData
Název | Description | Hodnota |
---|---|---|
inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | 'Rolling' (povinné) |
preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat | řetězec |
windowOffset | [Povinné] Časový posun mezi koncem datového okna a aktuálním časem spuštění monitoru. | string (povinné) |
windowSize | [Povinné] Velikost koncového datového okna. | string (povinné) |
StaticInputData
Název | Description | Hodnota |
---|---|---|
inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | 'Static' (povinné) |
preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat | řetězec |
oknoEnd | [Povinné] Koncové datum datového okna. | string (povinné) |
windowStart | [Povinné] Počáteční datum datového okna. | string (povinné) |
CustomMonitoringSignalInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | JobInput |
CustomMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Metrika definovaná uživatelem, která se má vypočítat. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
MonitoringThreshold
Název | Description | Hodnota |
---|---|---|
hodnota | Prahová hodnota. Pokud je hodnota null, výchozí nastavení závisí na typu metriky. | int |
MonitorováníWorkspaceConnection
Název | Description | Hodnota |
---|---|---|
environmentVariables | Vlastnosti připojení služby pracovního prostoru, které se mají ukládat jako proměnné prostředí v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je klíč proměnné prostředí. |
MonitoringWorkspaceConnectionEnvironmentVariables |
Tajemství | Vlastnosti připojení služby pracovního prostoru, které se mají ukládat jako tajné kódy v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je tajný klíč. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
MonitoringWorkspaceConnectionSecrets
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
DataDriftMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | 'DataDrift' (povinné) |
dataSegment | Datový segment použitý k určení rozsahu na podmnožinu datového souboru. | MonitorováníDataSegment |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataDriftMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings |
funkce | Filtr funkcí, který identifikuje, kterou funkci se má vypočítat posun. | MonitoringFeatureFilterBase |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a jejich přidružené prahové hodnoty. | DataDriftMetricThresholdBase[] (povinné) |
productionData | [Povinné] Data, pro která se budou počítat posuny. | MonitoringInputDataBase (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
MonitorováníDataSegment
Název | Description | Hodnota |
---|---|---|
funkce | Funkce, podle které chcete data segmentovat. | řetězec |
values | Filtruje pouze zadané hodnoty dané segmentované funkce. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | "Kategorické" 'Číselný' |
FeatureImportanceSettings
Název | Description | Hodnota |
---|---|---|
režim | Provozní režim pro výpočet důležitosti funkcí. | Zakázáno 'Povoleno' |
targetColumn | Název cílového sloupce ve vstupním datovém assetu. | řetězec |
MonitoringFeatureFilterBase
Název | Description | Hodnota |
---|---|---|
Filtertype | Nastavení typu objektu | Všechnyfunkce FeatureSubset TopNByAttribution (povinné) |
Všechnyfunkce
Název | Description | Hodnota |
---|---|---|
Filtertype | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí pro výpočet metrik. | AllFeatures (povinné) |
FeatureSubset
Název | Description | Hodnota |
---|---|---|
Filtertype | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí pro výpočet metrik. | 'FeatureSubset' (povinné) |
funkce | [Povinné] Seznam funkcí, které se mají zahrnout. | string[] (povinné) |
TopNFeaturesByAttribution
Název | Description | Hodnota |
---|---|---|
Filtertype | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí pro výpočet metrik. | TopNByAttribution (povinné) |
top | Počet hlavních funkcí, které se mají zahrnout. | int |
DataDriftMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
dataType | Nastavení typu objektu | Kategorické Číselné (povinné) |
KategoricalDataDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Kategorické" (povinné) |
Metrika | [Povinné] Metrika posunu dat kategorií, která se má vypočítat. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' PopulationStabilityIndex (povinné) |
NumerickáDataDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Číselný' (povinné) |
Metrika | [Povinné] Číselná metrika posunu dat, která se má vypočítat. | 'JensenShannonDistance' NormaldWassersteinDistance 'PopulationStabilityIndex' TwoSampleKolmogorovSmirnovTest (povinné) |
DataQualityMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | 'DataQuality' (povinné) |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataQualityMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings |
funkce | Funkce pro výpočet posunu. | MonitoringFeatureFilterBase |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a jejich přidružené prahové hodnoty. | DataQualityMetricThresholdBase[] (povinné) |
productionData | [Povinné] Data generovaná produkční službou, pro která se bude počítat posun. | MonitoringInputDataBase (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
DataQualityMonitoringSignalFeatureDataTypeOverride
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | "Kategorické" 'Číselný' |
DataQualityMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
dataType | Nastavení typu objektu | Kategorické Číselné (povinné) |
KategoricalDataQualityMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Kategorické" (povinné) |
Metrika | [Povinné] Metrika kvality dat kategorií, která se má vypočítat. | 'DataTypeErrorRate' NullValueRate OutOfBoundsRate (povinné) |
NumerickáDataQualityMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Číselný' (povinné) |
Metrika | [Povinné] Číselná metrika kvality dat, která se má vypočítat. | 'DataTypeErrorRate' NullValueRate OutOfBoundsRate (povinné) |
FeatureAttributionDriftMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | FeatureAttributionDrift (povinné) |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
featureImportanceSettings | Nastavení důležitosti výpočetních funkcí. | FeatureImportanceSettings |
metricThreshold | [Povinné] Seznam metrik, které se mají vypočítat, a jejich přidružené prahové hodnoty. | FeatureAttributionMetricThreshold (povinné) |
productionData | [Povinné] Data, pro která se budou počítat posuny. | MonitoringInputDataBase[] (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | "Kategorické" 'Číselný' |
FeatureAttributionMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Metrika přiřazení funkce, která se má vypočítat. | NormalizedDis procumulativeGain (povinné) |
Práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationSafetyQuality (povinné) |
metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationSafetyQualityMetricThreshold[] (povinné) |
productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a maximálně 1. | int (povinné) |
workspaceConnectionId | Získá nebo nastaví ID připojení pracovního prostoru použitého pro připojení ke koncovému bodu generování obsahu. | řetězec |
GenerationSafetyQualityMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Získá nebo nastaví metriku přiřazení funkce pro výpočet. | 'AcceptableCoherenceScorePerInstance' 'AcceptableFluencyScorePerInstance' 'AcceptableGroundednessScorePerInstance' 'AcceptableRelevanceScorePerInstance' 'AcceptableSimilarityScorePerInstance' AggregatedCoherencePassRate AggregatedFluencyPassRate AggregatedGroundednessPassRate AggregatedRelevancePassRate AggregatedSimilarityPassRate (povinné) |
Práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationTokenUsageSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationTokenStatistics (povinné) |
metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationTokenUsageMetricThreshold[] (povinné) |
productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a maximálně 1. | int (povinné) |
GenerationTokenUsageMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Získá nebo nastaví metriku přiřazení funkce pro výpočet. | TotalTokenCount TotalTokenCountPerGroup (povinné) |
Práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
ModelPerformanceSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | ModelPerformance (povinné) |
dataSegment | Datový segment. | MonitorováníDataSegment |
metricThreshold | [Povinné] Seznam metrik, které se mají vypočítat, a jejich přidružené prahové hodnoty. | ModelPerformanceMetricThresholdBase (povinné) |
productionData | [Povinné] Data generovaná produkční službou, pro která se bude počítat výkon. | MonitoringInputDataBase[] (povinné) |
referenčnídata | [Povinné] Referenční data použitá jako základ pro výpočet výkonu modelu. | MonitoringInputDataBase (povinné) |
ModelPerformanceMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
modelType | Nastavení typu objektu | Klasifikace Regrese (povinné) |
ClassificationModelPerformanceMetricThreshold
Název | Description | Hodnota |
---|---|---|
modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Klasifikace (povinné) |
Metrika | [Povinné] Výkon klasifikačního modelu, který se má vypočítat. | 'Přesnost' 'Přesnost' 'Odvolání' (povinné) |
RegressionModelPerformanceMetricThreshold
Název | Description | Hodnota |
---|---|---|
modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Regrese (povinné) |
Metrika | [Povinné] Metrika výkonu regresního modelu, která se má vypočítat. | MeanAbsoluteError MeanSquaredError RootMeanSquaredError (povinné) |
PredictionDriftMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | PredictionDrift (povinné) |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a jejich přidružené prahové hodnoty. | PredictionDriftMetricThresholdBase[] (povinné) |
productionData | [Povinné] Data, pro která se budou počítat posuny. | MonitoringInputDataBase (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | "Kategorické" 'Číselný' |
PredictionDriftMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
dataType | Nastavení typu objektu | Kategorické Číselné (povinné) |
KategoricalPredictionDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Kategorické" (povinné) |
Metrika | [Povinné] Metrika posunu predikce kategorií, která se má vypočítat. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' PopulationStabilityIndex (povinné) |
NumericalPredictionDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Číselný' (povinné) |
Metrika | [Povinné] Číselná metrika odchylky předpovědí, která se má vypočítat. | 'JensenShannonDistance' NormaldWassersteinDistance 'PopulationStabilityIndex' TwoSampleKolmogorovSmirnovTest (povinné) |
Akce ImportDataAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | ImportData (povinné) |
dataImportDefinition | [Povinné] Definuje podrobnosti definice akce plánu. | Import dat (povinné) |
Import dat
Název | Description | Hodnota |
---|---|---|
název_prostředku | Název prostředku pro úlohu importu dat, která se má vytvořit | řetězec |
autoDeleteSetting | Určuje nastavení životního cyklu spravovaného datového prostředku. | Nastavení automatického odstranění |
dataType | [Povinné] Určuje typ dat. | 'mltable' 'uri_file' "uri_folder" (povinné) |
Identifikátor dataUri | [Povinné] Identifikátor URI dat Příklad: https://go.microsoft.com/fwlink/?linkid=2202330 |
string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
description | Text popisu prostředku. | řetězec |
intelektualproperty | Podrobnosti o duševním vlastnictví. Používá se, pokud jsou data duševním vlastnictvím. | IntellectualProperty |
isAnonymous | Pokud je verze názvu vygenerovaná systémem (anonymní registrace). U typů, kde je fáze definovaná, se po zadání fáze použije k naplnění IsAnonymous. | bool |
isArchived | Je prostředek archivovaný? U typů, kde je fáze definovaná, se při poskytnutí fáze použije k naplnění isArchived. | bool |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
source | Zdrojová data assetu, ze které se má importovat | Zdroj importu dat |
Fázi | Fáze životního cyklu dat přiřazeného tomuto datovému assetu | řetězec |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
IntellectualProperty
Název | Description | Hodnota |
---|---|---|
Protectionlevel | úroveň ochrany duševního vlastnictví. | 'All' (Vše) 'Žádný' |
vydavatel | [Povinné] Vydavatel duševního vlastnictví. Musí být stejný jako název vydavatele registru. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
Zdroj importu dat
Název | Description | Hodnota |
---|---|---|
připojení | Připojení pracovního prostoru pro úložiště zdroje importu dat | řetězec |
Sourcetype | Nastavení typu objektu | Databáze file_system (povinné) |
Zdroj databáze
Název | Description | Hodnota |
---|---|---|
Sourcetype | [Povinné] Určuje typ dat. | "databáze" (povinné) |
query | Příkaz dotazu SQL pro import dat Zdroj databáze | řetězec |
Storedprocedure | SQL StoredProcedure pro import dat Zdroj databáze | řetězec |
storedProcedureParams | Parametry SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
tableName | Název tabulky pro import dat Zdroj databáze | řetězec |
DatabaseSourceStoredProcedureParamsItem
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
FileSystemSource
Název | Description | Hodnota |
---|---|---|
Sourcetype | [Povinné] Určuje typ dat. | "file_system" (povinné) |
program | Cesta ke zdroji soubor pro import datSystém | řetězec |
EndpointScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | InvokeBatchEndpoint (povinné) |
definice koncového bodu | [Povinné] Definuje podrobnosti definice akce plánu. {see href="TBD" /} |
Triggerbase
Název | Description | Hodnota |
---|---|---|
endTime | Určuje koncový čas plánu v ISO 8601, ale bez posunu UTC. Viz https://en.wikipedia.org/wiki/ISO_8601. Recommented format by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán se spustí po neomezenou dobu. |
řetězec |
startTime | Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
timeZone | Určuje časové pásmo, ve kterém se plán spustí. TimeZone by mělo odpovídat formátu časového pásma Windows. Přečtěte si: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
řetězec |
triggerType | Nastavení typu objektu | Cron Opakování (povinné) |
CronTrigger
Název | Description | Hodnota |
---|---|---|
triggerType | [Povinné] | 'Cron' (povinné) |
expression | [Povinné] Určuje výraz cron plánu. Výraz by měl mít formát NCronTab. |
string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
RecurrenceTrigger
Název | Description | Hodnota |
---|---|---|
endTime | Určuje koncový čas plánu v ISO 8601, ale bez posunu UTC. Viz https://en.wikipedia.org/wiki/ISO_8601. Recommented format by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán se spustí po neomezenou dobu. |
řetězec |
frequency | [Povinné] Frekvence aktivace plánu. | 'Den' Hodina 'Minuta' 'Month' "Týden" (povinné) |
interval | [Povinné] Určuje časový interval ve spojení s frekvencí. | int (povinné) |
schedule | Plán opakování. | RecurrenceSchedule |
startTime | Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
timeZone | Určuje časové pásmo, ve kterém plán běží. Časové pásmo by mělo odpovídat formátu časového pásma Windows. Viz: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones |
řetězec |
triggerType | [Povinné] | 'Cron' Opakování (povinné) |
RecurrenceSchedule
Název | Description | Hodnota |
---|---|---|
hodiny | [Povinné] Seznam hodin pro plán | int[] (povinné) |
minutes | [Povinné] Seznam minut pro plán | int[] (povinné) |
monthDays | Seznam dnů v měsíci pro plán | int[] |
weekDays | Seznam dnů pro plán | Pole řetězců obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Neděle" "Čtvrtek" "Úterý" "Středa" |
Definice prostředku Terraformu (zprostředkovatele AzAPI)
Typ prostředku pracovní prostory nebo plány je možné nasadit s operacemi, které cílí na:
- Skupiny prostředků
Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.
Formát prostředku
Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/schedules, přidejte do šablony následující Terraform.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-preview"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
action = {
actionType = "string"
// For remaining properties, see ScheduleActionBase objects
}
description = "string"
displayName = "string"
isEnabled = bool
properties = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
tags = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
Objekty ScheduleActionBase
Nastavte vlastnost actionType tak, aby určila typ objektu.
V části CreateJob použijte:
actionType = "CreateJob"
jobDefinition = {
componentId = "string"
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
notificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
properties = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
secretsConfiguration = {
{customized property} = {
uri = "string"
workspaceSecretName = "string"
}
{customized property} = {
uri = "string"
workspaceSecretName = "string"
}
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
nodes = {
nodesValueType = "string"
// For remaining properties, see Nodes objects
}
port = int
properties = {
{customized property} = "string"
}
}
{customized property} = {
endpoint = "string"
jobServiceType = "string"
nodes = {
nodesValueType = "string"
// For remaining properties, see Nodes objects
}
port = int
properties = {
{customized property} = "string"
}
}
}
tags = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
Pro CreateMonitor použijte:
actionType = "CreateMonitor"
monitorDefinition = {
alertNotificationSettings = {
emailNotificationSettings = {
emails = [
"string"
]
}
}
computeConfiguration = {
computeType = "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget = {
deploymentId = "string"
modelId = "string"
taskType = "string"
}
signals = {
{customized property} = {
notificationTypes = [
"string"
]
properties = {
{customized property} = "string"
}
signalType = "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
V části ImportData použijte:
actionType = "ImportData"
dataImportDefinition = {
assetName = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
dataType = "string"
dataUri = "string"
description = "string"
intellectualProperty = {
protectionLevel = "string"
publisher = "string"
}
isAnonymous = bool
isArchived = bool
properties = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
source = {
connection = "string"
sourceType = "string"
// For remaining properties, see DataImportSource objects
}
stage = "string"
tags = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
}
Pro InvokeBatchEndpoint použijte:
actionType = "InvokeBatchEndpoint"
Objekty JobBaseProperties
Nastavte vlastnost jobType a určete typ objektu.
Pro AutoML použijte:
jobType = "AutoML"
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
taskDetails = {
logVerbosity = "string"
targetColumnName = "string"
trainingData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
taskType = "string"
// For remaining properties, see AutoMLVertical objects
}
Jako příkaz použijte:
jobType = "Command"
autologgerSettings = {
mlflowAutologger = "string"
}
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
timeout = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
Pro popisování použijte:
jobType = "Labeling"
dataConfiguration = {
dataId = "string"
incrementalDataRefresh = "string"
}
jobInstructions = {
uri = "string"
}
labelCategories = {
{customized property} = {
classes = {
{customized property} = {
displayName = "string"
subclasses = {
{customized property} = {}
}
}
displayName = "string"
multiSelect = "string"
}
{customized property} = {
classes = {
{customized property} = {
displayName = "string"
subclasses = {
{customized property} = {}
}
}
displayName = "string"
multiSelect = "string"
}
}
labelingJobMediaProperties = {
mediaType = "string"
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration = {
mlAssist = "string"
// For remaining properties, see MLAssistConfiguration objects
}
V části Kanál použijte:
jobType = "Pipeline"
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jobs = {}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
sourceJobId = "string"
Pro Spark použijte:
jobType = "Spark"
archives = [
"string"
]
args = "string"
codeId = "string"
conf = {
{customized property} = "string"
}
entry = {
sparkJobEntryType = "string"
// For remaining properties, see SparkJobEntry objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
files = [
"string"
]
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jars = [
"string"
]
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
pyFiles = [
"string"
]
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
instanceType = "string"
runtimeVersion = "string"
}
V části Uklidit použijte:
jobType = "Sweep"
componentConfiguration = {}
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
maxConcurrentTrials = int
maxTotalTrials = int
timeout = "string"
trialTimeout = "string"
}
objective = {
goal = "string"
primaryMetric = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
samplingAlgorithm = {
samplingAlgorithmType = "string"
// For remaining properties, see SamplingAlgorithm objects
}
trial = {
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
}
Objekty IdentityConfiguration
Nastavte vlastnost identityType a určete typ objektu.
Pro AMLToken použijte:
identityType = "AMLToken"
V případě spravovaného použijte:
identityType = "Managed"
clientId = "string"
objectId = "string"
resourceId = "string"
Jako UserIdentity použijte:
identityType = "UserIdentity"
Objekty Webhooku
Nastavte vlastnost webhookType pro určení typu objektu.
Pro AzureDevOps použijte:
webhookType = "AzureDevOps"
Uzly – objekty
Nastavte nodesValueType vlastnost určit typ objektu.
V části Vše použijte:
nodesValueType = "All"
Objekty JobOutput
Nastavte vlastnost jobOutputType a určete typ objektu.
Pro custom_model použijte:
jobOutputType = "custom_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
Pro mlflow_model použijte:
jobOutputType = "mlflow_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
Pro mltable použijte:
jobOutputType = "mltable"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
Pro triton_model použijte:
jobOutputType = "triton_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
Pro uri_file použijte:
jobOutputType = "uri_file"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
Pro uri_folder použijte:
jobOutputType = "uri_folder"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
Objekty AutoMLVertical
Nastavte vlastnost taskType tak, aby určila typ objektu.
Pro klasifikaci použijte:
taskType = "Classification"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
positiveLabel = "string"
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Pro prognózování použijte:
taskType = "Forecasting"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
forecastingSettings = {
countryOrRegionForHolidays = "string"
cvStepSize = int
featureLags = "string"
featuresUnknownAtForecastTime = [
"string"
]
forecastHorizon = {
mode = "string"
// For remaining properties, see ForecastHorizon objects
}
frequency = "string"
seasonality = {
mode = "string"
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig = "string"
targetAggregateFunction = "string"
targetLags = {
mode = "string"
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize = {
mode = "string"
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName = "string"
timeSeriesIdColumnNames = [
"string"
]
useStl = "string"
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Pro ImageClassification použijte:
taskType = "ImageClassification"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Pro ImageClassificationMultilabel použijte:
taskType = "ImageClassificationMultilabel"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Pro ImageInstanceSegmentation použijte:
taskType = "ImageInstanceSegmentation"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Pro ImageObjectDetection použijte:
taskType = "ImageObjectDetection"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Pro regresi použijte:
taskType = "Regression"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Pro TextClassification použijte:
taskType = "TextClassification"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
Pro TextClassificationMultilabel použijte:
taskType = "TextClassificationMultilabel"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
Pro TextNER použijte:
taskType = "TextNER"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
Objekty NCrossValidations
Nastavte vlastnost mode pro určení typu objektu.
V části Automaticky použijte:
mode = "Auto"
Jako Vlastní použijte:
mode = "Custom"
value = int
Objekty EarlyTerminationPolicy
Nastavte vlastnost policyType pro určení typu objektu.
Pro Bandit použijte:
policyType = "Bandit"
slackAmount = int
slackFactor = int
Pro MedianStopping použijte:
policyType = "MedianStopping"
V části TruncationSelection použijte:
policyType = "TruncationSelection"
truncationPercentage = int
ForecastHorizon – objekty
Nastavte vlastnost mode pro určení typu objektu.
V části Automaticky použijte:
mode = "Auto"
Jako Vlastní použijte:
mode = "Custom"
value = int
Objekty sezónnosti
Nastavte vlastnost mode pro určení typu objektu.
V části Automaticky použijte:
mode = "Auto"
Jako Vlastní použijte:
mode = "Custom"
value = int
Objekty TargetLags
Nastavte vlastnost mode a určete typ objektu.
V případě automatického nastavení použijte:
mode = "Auto"
Jako Vlastní použijte:
mode = "Custom"
values = [
int
]
Objekty TargetRollingWindowSize
Nastavte vlastnost mode a určete typ objektu.
V případě automatického nastavení použijte:
mode = "Auto"
Jako Vlastní použijte:
mode = "Custom"
value = int
Objekty DistributionConfiguration
Nastavte vlastnost distributionType a určete typ objektu.
Pro Mpi použijte:
distributionType = "Mpi"
processCountPerInstance = int
Pro PyTorch použijte:
distributionType = "PyTorch"
processCountPerInstance = int
Pro Ray použijte:
distributionType = "Ray"
address = "string"
dashboardPort = int
headNodeAdditionalArgs = "string"
includeDashboard = bool
port = int
workerNodeAdditionalArgs = "string"
Pro TensorFlow použijte:
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
Objekty JobInput
Nastavte vlastnost jobInputType a zadejte typ objektu.
Pro custom_model použijte:
jobInputType = "custom_model"
mode = "string"
uri = "string"
Pro literál použijte:
jobInputType = "literal"
value = "string"
Pro mlflow_model použijte:
jobInputType = "mlflow_model"
mode = "string"
uri = "string"
Pro mltable použijte:
jobInputType = "mltable"
mode = "string"
uri = "string"
Pro triton_model použijte:
jobInputType = "triton_model"
mode = "string"
uri = "string"
Pro uri_file použijte:
jobInputType = "uri_file"
mode = "string"
uri = "string"
Pro uri_folder použijte:
jobInputType = "uri_folder"
mode = "string"
uri = "string"
Objekty LabelingJobMediaProperties
Nastavte vlastnost mediaType a určete typ objektu.
Jako Obrázek použijte:
mediaType = "Image"
annotationType = "string"
Pro text použijte:
mediaType = "Text"
annotationType = "string"
Objekty MLAssistConfiguration
Nastavte vlastnost mlAssist a určete typ objektu.
V části Zakázáno použijte:
mlAssist = "Disabled"
V části Povoleno použijte:
mlAssist = "Enabled"
inferencingComputeBinding = "string"
trainingComputeBinding = "string"
Objekty SparkJobEntry
Nastavte vlastnost sparkJobEntryType a určete typ objektu.
Pro SparkJobPythonEntry použijte:
sparkJobEntryType = "SparkJobPythonEntry"
file = "string"
Pro SparkJobScalaEntry použijte:
sparkJobEntryType = "SparkJobScalaEntry"
className = "string"
SamplingAlgorithm – objekty
Nastavte vlastnost samplingAlgorithmType a určete typ objektu.
Pro Bayesian použijte:
samplingAlgorithmType = "Bayesian"
V případě mřížky použijte:
samplingAlgorithmType = "Grid"
Pro random použijte:
samplingAlgorithmType = "Random"
logbase = "string"
rule = "string"
seed = int
MonitorComputeConfigurationBase – objekty
Nastavte vlastnost computeType a určete typ objektu.
Pro ServerlessSpark použijte:
computeType = "ServerlessSpark"
computeIdentity = {
computeIdentityType = "string"
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType = "string"
runtimeVersion = "string"
MonitorComputeIdentityBase – objekty
Nastavením vlastnosti computeIdentityType určete typ objektu.
Pro AmlToken použijte:
computeIdentityType = "AmlToken"
Jako ManagedIdentity použijte:
computeIdentityType = "ManagedIdentity"
identity {
type = "string"
identity_ids = []
}
Objekty MonitoringSignalBase
Nastavte vlastnost signalType a určete typ objektu.
Jako Vlastní použijte:
signalType = "Custom"
componentId = "string"
inputAssets = {
{customized property} = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
workspaceConnection = {
environmentVariables = {
{customized property} = "string"
}
secrets = {
{customized property} = "string"
}
}
V části DataDrift použijte:
signalType = "DataDrift"
dataSegment = {
feature = "string"
values = [
"string"
]
}
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pro DataQuality použijte:
signalType = "DataQuality"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pro FeatureAttributionDrift použijte:
signalType = "FeatureAttributionDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
metricThreshold = {
metric = "NormalizedDiscountedCumulativeGain"
threshold = {
value = int
}
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pro GenerationSafetyQuality použijte:
signalType = "GenerationSafetyQuality"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
workspaceConnectionId = "string"
Pro GenerationTokenStatistics použijte:
signalType = "GenerationTokenStatistics"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
Pro ModelPerformance použijte:
signalType = "ModelPerformance"
dataSegment = {
feature = "string"
values = [
"string"
]
}
metricThreshold = {
threshold = {
value = int
}
modelType = "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pro PredictionDrift použijte:
signalType = "PredictionDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase – objekty
Nastavte vlastnost inputDataType a určete typ objektu.
V případě pevného nastavení použijte:
inputDataType = "Fixed"
Pro zajištění provozu použijte:
inputDataType = "Rolling"
preprocessingComponentId = "string"
windowOffset = "string"
windowSize = "string"
V případě statického použijte:
inputDataType = "Static"
preprocessingComponentId = "string"
windowEnd = "string"
windowStart = "string"
MonitoringFeatureFilterBase – objekty
Nastavte vlastnost filterType a určete typ objektu.
V případě funkce AllFeatures použijte:
filterType = "AllFeatures"
Pro FeatureSubset použijte:
filterType = "FeatureSubset"
features = [
"string"
]
Pro TopNByAttribution použijte:
filterType = "TopNByAttribution"
top = int
Objekty DataDriftMetricThresholdBase
Nastavte vlastnost dataType a určete typ objektu.
Pro kategorické použijte:
dataType = "Categorical"
metric = "string"
Pro číselnou hodnotu použijte:
dataType = "Numerical"
metric = "string"
Objekty DataQualityMetricThresholdBase
Nastavte vlastnost dataType a určete typ objektu.
Pro kategorické použijte:
dataType = "Categorical"
metric = "string"
Pro číselnou hodnotu použijte:
dataType = "Numerical"
metric = "string"
Objekty ModelPerformanceMetricThresholdBase
Nastavte vlastnost modelType a zadejte typ objektu.
Pro klasifikaci použijte:
modelType = "Classification"
metric = "string"
Pro regresi použijte:
modelType = "Regression"
metric = "string"
PredictionDriftMetricThresholdBase – objekty
Nastavte vlastnost dataType a určete typ objektu.
Pro kategorické použijte:
dataType = "Categorical"
metric = "string"
Pro číselnou hodnotu použijte:
dataType = "Numerical"
metric = "string"
Objekty DataImportSource
Nastavte vlastnost sourceType a určete typ objektu.
Pro databázi použijte:
sourceType = "database"
query = "string"
storedProcedure = "string"
storedProcedureParams = [
{
{customized property} = "string"
}
]
tableName = "string"
Pro file_system použijte:
sourceType = "file_system"
path = "string"
Objekty TriggerBase
Nastavte vlastnost triggerType a určete typ objektu.
Pro Cron použijte:
triggerType = "Cron"
expression = "string"
Pro opakování použijte:
triggerType = "Recurrence"
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
Hodnoty vlastností
pracovní prostory/plány
Název | Description | Hodnota |
---|---|---|
typ | Typ prostředku | Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-preview |
name | Název prostředku | string (povinné) |
parent_id | ID prostředku, který je nadřazený pro tento prostředek. | ID prostředku typu: pracovní prostory |
properties | [Povinné] Další atributy entity | Vlastnosti plánu (povinné) |
Vlastnosti plánu
Název | Description | Hodnota |
---|---|---|
action | [Povinné] Určuje akci plánu. | ScheduleActionBase (povinné) |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název plánu | řetězec |
Isenabled | Je plán povolený? | bool |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
Aktivační událost | [Povinné] Určuje podrobnosti o triggeru. | TriggerBase (povinné) |
ScheduleActionBase
Název | Description | Hodnota |
---|---|---|
actionType | Nastavení typu objektu | Vytvořit úlohu CreateMonitor Importovat data InvokeBatchEndpoint (povinné) |
Akce JobScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | "Vytvořit úlohu" (povinné) |
definice úlohy | [Povinné] Definuje podrobnosti definice akce plánu. | JobBaseProperties (povinné) |
JobBaseProperties
Název | Description | Hodnota |
---|---|---|
id komponenty | ID prostředku arm prostředku komponenty. | řetězec |
computeId | ID prostředku ARM výpočetního prostředku | řetězec |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název úlohy | řetězec |
název experimentu | Název experimentu, do který úloha patří. Pokud není nastavená, úloha se umístí do experimentu Výchozí. | řetězec |
identity | Konfigurace identity. Pokud je nastaveno, měl by to být AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota je AmlToken, pokud je null. |
Konfigurace identity |
isArchived | Je prostředek archivovaný? | bool |
nastavení oznámení | Nastavení oznámení pro úlohu | Nastavení oznámení |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
konfigurace tajných kódů | Konfigurace tajných kódů, které se mají zpřístupnit za běhu | JobBaseSecretsConfiguration |
services | Seznam koncových bodů úloh. Pro místní úlohy bude koncový bod úlohy mít hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
jobType | Nastavení typu objektu | AutoML Příkaz Označování Kanál Spark Uklidit (povinné) |
Konfigurace identity
Název | Description | Hodnota |
---|---|---|
identityType | Nastavení typu objektu | AMLToken Spravované UserIdentity (povinné) |
AmlToken
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | "AMLToken" (povinné) |
Spravovaná identita
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | "Spravované" (povinné) |
clientId | Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené toto pole nenastavujte. | řetězec |
Identita uživatele
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | "UserIdentity" (povinné) |
Nastavení oznámení
Název | Description | Hodnota |
---|---|---|
e-mailOn | Odeslání e-mailového oznámení uživateli při zadaném typu oznámení | Pole řetězců obsahující některou z těchto možností: "JobCancelled" "JobCompleted" "Úloha selhala" |
E-maily | Toto je seznam příjemců e-mailu s omezením celkem 499 znaků s oddělovačem čárky. | string[] |
webhooky | Odeslání zpětného volání webhooku službě Klíč je uživatelsky zadaný název webhooku. | NotificationSettingWebhooks |
NotificationSettingWebhooks
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Webhook |
Webhook
Název | Description | Hodnota |
---|---|---|
eventType | Odeslání zpětného volání u zadané události oznámení | řetězec |
webhookType | Nastavení typu objektu | AzureDevOps (povinné) |
AzureDevOpsWebhook
Název | Description | Hodnota |
---|---|---|
webhookType | [Povinné] Určuje typ služby pro odeslání zpětného volání. | AzureDevOps (povinné) |
ResourceBaseProperties
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec | |
{přizpůsobená vlastnost} | řetězec |
JobBaseSecretsConfiguration
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | SecretConfiguration | |
{přizpůsobená vlastnost} | SecretConfiguration |
SecretConfiguration
Název | Description | Hodnota |
---|---|---|
Uri | Identifikátor URI tajného kódu Ukázkový identifikátor URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
řetězec |
workspaceSecretName | Název tajného kódu v trezoru klíčů pracovního prostoru. | řetězec |
JobBaseServices
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | JobService | |
{přizpůsobená vlastnost} | JobService |
JobService
Název | Description | Hodnota |
---|---|---|
endpoint | Adresa URL koncového bodu | řetězec |
jobServiceType | Typ koncového bodu. | řetězec |
Uzly | Uzly, na které chce uživatel službu spustit. Pokud uzly nejsou nastaveny nebo nastaveny na hodnotu null, bude služba spuštěna pouze na hlavním uzlu. |
Uzly |
port | Port pro koncový bod nastavený uživatelem | int |
properties | Další vlastnosti, které se mají nastavit na koncovém bodu. | JobServiceProperties |
Uzly
Název | Description | Hodnota |
---|---|---|
nodesValueType | Nastavení typu objektu | Vše (povinné) |
Všechny uzly
Název | Description | Hodnota |
---|---|---|
nodesValueType | [Povinné] Typ hodnoty Nodes | "Vše" (povinné) |
JobServiceProperties
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
AutoMLJob
Název | Description | Hodnota |
---|---|---|
jobType | [Povinné] Určuje typ úlohy. | "AutoML" (povinné) |
environmentId | ID prostředku ARM specifikace prostředí pro úlohu Jedná se o volitelnou hodnotu, která se má zadat, pokud není zadaná, autoML ji při spuštění úlohy nastaví na verzi prostředí kurátorované v produkčním automatickém strojovém učení. |
řetězec |
environmentVariables | Proměnné prostředí zahrnuté v úloze. | AutoMLJobEnvironmentVariables |
Výstupy | Mapování výstupních datových vazeb používaných v úloze | AutoMLJobOutputs |
queueSettings | Nastavení fronty pro úlohu | QueueSettings |
resources | Konfigurace výpočetních prostředků pro úlohu | JobResourceConfiguration |
taskDetails | [Povinné] To představuje scénář, který může být jedním z tabulek, NLP nebo image. | AutoMLVertical (povinné) |
AutoMLJobEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
AutoMLJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Output úlohy |
Output úlohy
Název | Description | Hodnota |
---|---|---|
description | Popis výstupu | řetězec |
jobOutputType | Nastavení typu objektu | custom_model mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "custom_model" (povinné) |
assetName | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Automatické odstranění nastavení výstupního datového prostředku | AutoDeleteSetting |
režim | Režim doručování výstupních prostředků. | "Přímé" "ReadWriteMount" "Upload" (Nahrát) |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
AutoDeleteSetting
Název | Description | Hodnota |
---|---|---|
Podmínka | Kdy zkontrolovat, jestli nevypršela platnost prostředku | "CreatedGreaterThan" "LastAccessedGreaterThan" |
hodnota | Hodnota podmínky vypršení platnosti | řetězec |
MLFlowModelJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "mlflow_model" (povinné) |
název_prostředku | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Nastavení automatického odstranění výstupního datového prostředku. | Nastavení automatického odstranění |
režim | Režim doručování výstupních prostředků. | "Přímé" "ReadWriteMount" "Upload" (Nahrát) |
Uri | Identifikátor URI výstupního prostředku | řetězec |
MLTableJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "mltable" (povinné) |
název_prostředku | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Nastavení automatického odstranění výstupního datového prostředku. | Nastavení automatického odstranění |
režim | Režim doručování výstupních prostředků. | "Přímé" "ReadWriteMount" "Upload" (Nahrát) |
Uri | Identifikátor URI výstupního prostředku | řetězec |
TritonModelJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "triton_model" (povinné) |
název_prostředku | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Nastavení automatického odstranění výstupního datového prostředku. | Nastavení automatického odstranění |
režim | Režim doručování výstupních prostředků. | "Přímé" "ReadWriteMount" "Upload" (Nahrát) |
Uri | Identifikátor URI výstupního prostředku | řetězec |
UriFileJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "uri_file" (povinné) |
název_prostředku | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Nastavení automatického odstranění výstupního datového prostředku. | Nastavení automatického odstranění |
režim | Režim doručování výstupních prostředků. | "Přímé" "ReadWriteMount" "Upload" (Nahrát) |
Uri | Identifikátor URI výstupního prostředku | řetězec |
UriFolderJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "uri_folder" (povinné) |
assetName | Název výstupního prostředku. | řetězec |
assetVersion | Verze výstupního prostředku. | řetězec |
autoDeleteSetting | Automatické odstranění nastavení výstupního datového prostředku | AutoDeleteSetting |
režim | Režim doručování výstupních prostředků. | "Přímé" "ReadWriteMount" "Upload" (Nahrát) |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
QueueSettings
Název | Description | Hodnota |
---|---|---|
jobTier | Řídí úroveň výpočetní úlohy. | "Základní" "Null" "Premium" "Spot" "Standardní" |
Prioritou | Řídí prioritu úlohy na výpočetních prostředcích. | int |
JobResourceConfiguration
Název | Description | Hodnota |
---|---|---|
dockerArgs | Další argumenty, které se mají předat do příkazu Spuštění Dockeru Tím by se přepsaly všechny parametry, které už systém nebo v této části nastavil. Tento parametr se podporuje jenom pro výpočetní typy Azure ML. | řetězec |
instanceCount | Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem | int |
instanceType | Volitelný typ virtuálního počítače, který je podporován cílovým výpočetním prostředím. | řetězec |
Umístění | Umístění, kde může úloha běžet. | string[] |
maxInstanceCount | Volitelný maximální povolený počet instancí nebo uzlů, které má cílový výpočetní objekt použít. Pro použití s elastickým trénováním, které aktuálně podporuje pouze typ distribuce PyTorch. |
int |
properties | Další vlastnosti taška. | ResourceConfigurationProperties |
shmSize | Velikost bloku sdílené paměti kontejneru Dockeru To by mělo být ve formátu (number)(unit), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajtů) nebo g(gigabajtů). | řetězec Omezení: Pattern = \d+[bBkKmMgG] |
ResourceConfigurationProperties
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | ||
{přizpůsobená vlastnost} |
AutoMLVertical
Název | Description | Hodnota |
---|---|---|
logVerbosity | Protokolování podrobností pro úlohu | "Kritické" "Debug" (Ladění) "Chyba" "Informace" "NotSet" "Upozornění" |
targetColumnName | Název cílového sloupce: Jedná se o sloupec hodnot predikce. V kontextu úkolů klasifikace se označuje také jako název sloupce popisku. |
řetězec |
trainingData | [Povinné] Trénování zadávání dat. | MLTableJobInput (povinné) |
taskType | Nastavení typu objektu | Klasifikace Prognózování ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regrese TextClassification TextClassificationMultilabel TextNER (povinné) |
MLTableJobInput
Název | Description | Hodnota |
---|---|---|
description | Popis vstupu. | řetězec |
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Klasifikace
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "Klasifikace" (povinné) |
cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | TableFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | TableVerticalLimitSettings |
nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
positiveLabel | Kladný popisek pro výpočet binárních metrik | řetězec |
primaryMetric | Primární metrika pro úkol. | "AUCWeighted" "Přesnost" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
Testdata | Testování vstupu dat | MLTableJobInput |
testDataSize | Zlomek testovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | ClassificationTrainingSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
weightColumnName | Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje jako vstup vážený sloupec, což způsobuje, že se řádky v datech váží nahoru nebo dolů. | řetězec |
TableVerticalFeaturizationSettings
Název | Description | Hodnota |
---|---|---|
blockedTransformers | Tyto transformátory nesmí být použity při featurizaci. | Pole řetězců obsahující některou z těchto možností: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
columnNameAndTypes | Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.) | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Jazyk datové sady, který je užitečný pro textová data. | řetězec |
enableDnnFeaturization | Určuje, zda se mají používat featurizátory založené na Dnn pro extrakci dat. | bool |
režim | Režim extrakce příznaků – Uživatel může zachovat výchozí automatický režim a AutoML se postará o nezbytnou transformaci dat ve fázi extrakce příznaků. Pokud je vybrána možnost Vypnuto, není provedena žádná extrakce příznaků. Pokud je vybrána možnost Vlastní, uživatel může zadat další vstupy pro přizpůsobení způsobu extrakce příznaků. |
"Automaticky" "Vlastní" "Vypnuto" |
transformerParams | Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které by se použil, a parametry konstruktoru transformátoru. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
TableVerticalFeaturizationSettingsTransformerParams
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | SloupecTransformer[] |
ColumnTransformer
Název | Description | Hodnota |
---|---|---|
fields | Pole, na která se má použít logika transformátoru | string[] |
parameters | Různé vlastnosti, které mají být předány transformátoru. Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON. |
TableFixedParameters
Název | Description | Hodnota |
---|---|---|
Booster | Zadejte typ zesílení, například gbdt pro XGBoost. | řetězec |
boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
growPolicy | Zadejte zásadu zvětšení, která řídí způsob, jakým se nové uzly přidávají do stromu. | řetězec |
learningRate | Rychlost učení pro postup trénování | int |
MaxBin | Zadejte Maximální počet diskrétních přihrádek pro průběžné funkce kontejneru . | int |
maxDepth | Zadejte maximální hloubku, aby se hloubka stromu omezila explicitně. | int |
maxLeaves | Zadejte maximální počet listů, aby se listy stromu omezily explicitně. | int |
minDataInLeaf | Minimální počet dat na list. | int |
minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na uzlu typu list stromu. | int |
název_modelu | Název modelu, který se má vytrénovat. | řetězec |
nEstimátory | Zadejte počet stromů (nebo kruhových zaokrouhlení) v modelu. | int |
numLeaves | Zadejte počet listů. | int |
Název preprocesoru | Název preprocesoru, který se má použít. | řetězec |
regAlpha | L1 regularization term on weights. | int |
regLambda | Termín regularizace L2 na váze. | int |
subsample | Subsample poměr trénovací instance. | int |
subsampleFreq | Frekvence podpřízoru. | int |
treeMethod | Zadejte metodu stromu. | řetězec |
s aplikacíMean | Pokud je true, před škálováním dat pomocí StandardScalar vycentrujte. | bool |
sestd | Pokud je true, škálujte data pomocí Unit Variance pomocí StandardScalar. | bool |
TableVerticalLimitSettings
Název | Description | Hodnota |
---|---|---|
enableEarlyTermination | Povolit předčasné ukončení, určuje, jestli se předčasně ukončí úloha Automatizovaného strojového učení, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre. | bool |
exitScore | Ukončovací skóre pro úlohu Automatizovaného strojového učení | int |
maxConcurrentTrials | Maximální počet souběžných iterací. | int |
maxCoresPerTrial | Maximální počet jader na iteraci | int |
maximální počet uzlů | Maximální počet uzlů, které se mají použít pro experiment. | int |
maxTrials | Počet iterací. | int |
sweepConcurrentTrials | Počet souběžných spuštění úklidu, která chce uživatel aktivovat | int |
sweepTrials | Počet spuštění úklidu, která chce uživatel aktivovat. | int |
timeout | Vypršel časový limit úlohy Automatizovaného strojového učení. | řetězec |
trialTimeout | Časový limit iterace. | řetězec |
NCrossValidations
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoNCrossValidations
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim pro určení N-křížového ověření | "Automaticky" (povinné) |
CustomNCrossValidations
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim pro určení N-křížového ověření | "Vlastní" (povinné) |
hodnota | [Povinné] N-Hodnota křížového ověření. | int (povinné) |
TableParameterSubspace
Název | Description | Hodnota |
---|---|---|
Booster | Zadejte typ zesílení, například gbdt pro XGBoost. | řetězec |
boostingType | Zadejte typ zesílení, například gbdt pro LightGBM. | řetězec |
growPolicy | Zadejte zásadu zvětšení, která řídí způsob, jakým se nové uzly přidávají do stromu. | řetězec |
learningRate | Rychlost učení pro postup trénování | řetězec |
MaxBin | Zadejte Maximální počet diskrétních přihrádek pro průběžné funkce kontejneru . | řetězec |
maxDepth | Zadejte maximální hloubku, aby se hloubka stromu omezila explicitně. | řetězec |
maxLeaves | Zadejte maximální počet listů, aby se listy stromu omezily explicitně. | řetězec |
minDataInLeaf | Minimální počet dat na list. | řetězec |
minSplitGain | Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu. | řetězec |
modelName | Název modelu, který chcete vytrénovat. | řetězec |
nEstimátory | Zadejte počet stromů (neboli kruhů) v modelu. | řetězec |
numLeaves | Zadejte počet listů. | řetězec |
název preprocesoru | Název preprocesoru, který se má použít. | řetězec |
regAlpha | L1 regularizace termín na váze. | řetězec |
regLambda | Termín regularizace L2 na váze. | řetězec |
podsample | Poměr dílčích převzorků trénovací instance. | řetězec |
subsampleFreq | Frekvence podpřízorku | řetězec |
stromMethod | Zadejte metodu stromové struktury. | řetězec |
směšné | Pokud ano, před škálováním dat pomocí standardu StandardScalar vycentrujte na střed. | řetězec |
sstd | Pokud ano, škálujte data pomocí jednotkového rozptylu pomocí standardu StandardScalar. | řetězec |
TableSweepSettings
Název | Description | Hodnota |
---|---|---|
earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
samplingAlgorithm | [Povinné] Typ algoritmu vzorkování. | "Bayesian" "Mřížka" "Náhodné" (povinné) |
EarlyTerminationPolicy
Název | Description | Hodnota |
---|---|---|
delayEvaluation | Počet intervalů, o které se má zpozdit první vyhodnocení | int |
evaluationInterval | Interval (počet spuštění) mezi vyhodnoceními zásad | int |
policyType | Nastavení typu objektu | Bandita MediánStopping TruncationSelection (povinné) |
BanditPolicy
Název | Description | Hodnota |
---|---|---|
policyType | [Povinné] Název konfigurace zásad | "Bandit" (povinné) |
slackAmount | Je povolená absolutní vzdálenost od nejvýkonnějšího běhu. | int |
slackFactor | Poměr povolené vzdálenosti od nejvýkonnějšího běhu. | int |
MedianStoppingPolicy
Název | Description | Hodnota |
---|---|---|
policyType | [Povinné] Název konfigurace zásad | "MedianStopping" (povinné) |
TruncationSelectionPolicy
Název | Description | Hodnota |
---|---|---|
policyType | [Povinné] Název konfigurace zásad | "TruncationSelection" (povinné) |
truncationPercentage | Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení. | int |
ClassificationTrainingSettings
Název | Description | Hodnota |
---|---|---|
allowedTrainingAlgorithms | Povolené modely pro úlohu klasifikace | Pole řetězců obsahující některou z těchto možností: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "Logistická regrese" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
blockedTrainingAlgorithms | Blokované modely pro úlohu klasifikace | Pole řetězců obsahující některou z těchto možností: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "Logistická regrese" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
enableDnnTraining | Povolte doporučení modelů DNN. | bool |
enableModelExplainability | Příznakem zapnete u nejlepšího modelu vysvětlitelnost. | bool |
enableOnnxCompatibleModels | Příznak pro povolení modelů kompatibilních s onnx. | bool |
enableStackEnsemble | Povolte spuštění souboru zásobníku. | bool |
enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | bool |
ensembleModelDownloadTimeout | Během generování modelů VotingEnsemble a StackEnsemble se stáhne několik modelů vybavených z předchozích podřízených spuštění. Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
stackEnsembleSettings | Nastavení souboru zásobníku pro spuštění souboru zásobníku. | StackEnsembleSettings |
trainingMode | Režim TrainingMode – nastavení na "auto" je stejné jako nastavení na zatím nedistribuovaný režim, ale v budoucnu může vést k výběru režimu na základě heuristiky. Výchozí hodnota je "auto". Pokud je "Distribuované", použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud "NonDistributed", jsou vybrány pouze nedistribuované algoritmy. |
"Automaticky" "Distribuované" "NonDistributed" |
StackEnsembleSettings
Název | Description | Hodnota |
---|---|---|
stackMetaLearnerKWargs | Volitelné parametry, které se mají předat inicializátoru meta-learneru. | |
stackMetaLearnerTrainPercentage | Určuje podíl trénovací sady (při výběru typu trénování a ověřování trénování), který má být vyhrazen pro trénování metaučchače. Výchozí hodnota je 0,2. | int |
stackMetaLearnerType | Meta-learner je model natrénovaný na výstupu jednotlivých heterogenních modelů. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "Lineární regrese" "Logistická regrese" "LogisticRegressionCV" "Žádné" |
Prognózování
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "Prognózování" (povinné) |
cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | TableFixedParameters |
forecastingSettings | Prognózování vstupů specifických pro úkol. | ForecastingSettings |
limitSettings | Omezení spouštění pro úlohu AutoML. | TableVerticalLimitSettings |
nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
primaryMetric | Primární metrika pro úkol prognózování. | "NormalizedMeanAbsoluteError" NormalizedRootMeanSquaredError "R2Score" "SpearmanCorrelation" |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | TableSweepSettings |
Testdata | Testování vstupu dat | MLTableJobInput |
testDataSize | Zlomek testovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | ForecastingTrainingSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
weightColumnName | Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje jako vstup vážený sloupec, což způsobuje, že se řádky v datech váží nahoru nebo dolů. | řetězec |
ForecastingSettings
Název | Description | Hodnota |
---|---|---|
countryOrRegionForHolidays | Země nebo oblast pro svátky pro úkoly prognózování Mělo by to být dvoumísmenné kódy země/oblasti ISO 3166, například "US" nebo "GB". |
řetězec |
cvStepSize | Počet období mezi časem vzniku jednoho přeložení životopisu a dalším přeložením. ProCVStepSize Pokud je například = 3 pro denní data, čas počátku každého záhybů budetři dny od sebe. |
int |
featureLags | Příznak pro generování prodlev pro číselné funkce s "auto" nebo null. | "Automaticky" "Žádné" |
featuresUnknownAtForecastTime | Sloupce funkcí, které jsou k dispozici pro trénování, ale neznámé v době prognózy nebo odvozování Pokud features_unknown_at_forecast_time není nastaven, předpokládá se, že jsou v době odvozování známé všechny sloupce funkcí v datové sadě. |
string[] |
forecastHorizon | Požadovaný maximální horizont prognózy v jednotkách frekvence časových řad. | ForecastHorizon |
frequency | Při prognózování tento parametr představuje období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datové sady. | řetězec |
Sezónnost | Nastavte sezónnost časových řad jako celočíselný násobek frekvence řady. Pokud je sezónnost nastavená na "auto", bude odvozena. |
Sezónnost |
shortSeriesHandlingConfig | Parametr definující, jak má AutoML zpracovávat krátké časové řady. | "Automaticky" "Drop" "Žádné" "Pad" |
targetAggregateFunction | Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala frekvenci zadané uživatelem. Pokud je targetAggregateFunction nastaven, tj. nikoli None, ale není nastaven parametr freq, dojde k chybě. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední". |
"Max" "Střední" "Min" "Žádné" "Součet" |
targetLags | Počet minulých období, která mají být zpožděna od cílového sloupce. | Cílovélagy |
targetRollingWindowSize | Počet minulých období použitých k vytvoření průměru klouzavého okna cílového sloupce. | TargetRollingWindowSize |
timeColumnName | Název sloupce času. Tento parametr se vyžaduje při prognózování, aby bylo možné zadat sloupec datetime ve vstupních datech použitých pro sestavení časové řady a odvození její frekvence. | řetězec |
timeSeriesIdColumnNames | Názvy sloupců sloužících k seskupení časových období. Dá se použít k vytvoření více řad. Pokud není definováno zrnění, předpokládá se, že datová sada je jednou časovou řadou. Tento parametr se používá s prognózováním typu úlohy. |
string[] |
useStl | Nakonfigurujte rozklad STL cílového sloupce časové řady. | "Žádné" "Sezóna" "SeasonTrend" |
ForecastHorizon
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoForecastHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru hodnoty horizontu prognózy. | "Automaticky" (povinné) |
CustomForecastHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru hodnoty horizontu prognózy. | "Vlastní" (povinné) |
hodnota | [Povinné] Hodnota horizontu prognózy. | int (povinné) |
Sezónnost
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoSeasonality
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim sezónnosti. | "Automaticky" (povinné) |
CustomSeasonality
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim sezónnosti. | "Vlastní" (povinné) |
hodnota | [Povinné] Hodnota sezónnosti. | int (povinné) |
Cílovélagy
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoTargetLags
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavení režimu cílové prodlevy – automatické nebo vlastní | "Automaticky" (povinné) |
CustomTargetLags
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavení režimu cílové prodlevy – automatické nebo vlastní | "Vlastní" (povinné) |
values | [Povinné] Nastavte hodnoty prodlevy cíle. | int[] (povinné) |
TargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoTargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim detekce TargetRollingWindowSiz. | "Automaticky" (povinné) |
CustomTargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim detekce TargetRollingWindowSiz. | "Vlastní" (povinné) |
hodnota | [Povinné] Hodnota TargetRollingWindowSize. | int (povinné) |
ForecastingTrainingSettings
Název | Description | Hodnota |
---|---|---|
allowedTrainingAlgorithms | Povolené modely pro úlohu prognózování | Pole řetězců obsahující některou z těchto možností: "Arimax" "AutoArima" "Průměr" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naive" "Prorok" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
blockedTrainingAlgorithms | Blokované modely pro úlohu prognózování | Pole řetězců obsahující některou z těchto možností: "Arimax" "AutoArima" "Průměr" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naive" "Prorok" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
enableDnnTraining | Povolte doporučení modelů DNN. | bool |
enableModelExplainability | Příznak pro zapnutí vysvětlitelnosti u nejlepšího modelu. | bool |
enableOnnxCompatibleModels | Příznak pro povolení modelů kompatibilních s onnx. | bool |
enableStackEnsemble | Povolte spuštění souboru zásobníku. | bool |
enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | bool |
ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne více fitovaných modelů z předchozích podřízených spuštění. Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
nastavení stackEnsembleSettings | Spustí se nastavení souboru zásobníku pro soubor zásobníku. | Nastavení StackEnsembleSettings |
trénovací režim | Režim TrainingMode – nastavení na "auto" je stejné jako nastavení na "nedistribuovaný", ale v budoucnu může vést k výběru režimu na základě smíšeného režimu nebo heuristiky. Výchozí hodnota je auto. Pokud je distribuované, použije se pouze distribuovaná funkce a zvolí se distribuované algoritmy. Pokud "NonDistributed", pak jsou vybrány pouze nedistribuované algoritmy. |
"Automaticky" "Distribuované" "NonDistributed" |
ImageClassification
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "ImageClassification" (povinné) |
limitSettings | [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu. | ImageModelSettingsClassification |
primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | "AUCWeighted" "Přesnost" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
prostor vyhledávání | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Související nastavení úklidu modelů a hyperparametrů | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
ImageLimitSettings
Název | Description | Hodnota |
---|---|---|
maxConcurrentTrials | Maximální počet souběžných iterací Automatizovaného strojového učení | int |
maxTrials | Maximální počet iterací Automatizovaného strojového učení | int |
timeout | Vypršel časový limit úlohy Automatizovaného strojového učení. | řetězec |
ImageModelSettingsClassification
Název | Description | Hodnota |
---|---|---|
advancedSettings | Nastavení pro pokročilé scénáře | řetězec |
amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | bool |
rozšíření | Nastavení pro používání rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | int |
beta2 | Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | int |
kontrolní bodFrequency | Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. | int |
checkpointModel | Předem vytrénovaný model kontrolních bodů pro přírůstkové trénování. | MLFlowModelJobInput |
checkpointRunId | ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. | řetězec |
Distribuované | Jestli se má použít distribuované trénování. | bool |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | bool |
earlyStoppingDelay | Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky je sledováno pro předčasné zastavení. Musí být kladné celé číslo. |
int |
earlyStoppingPatience | Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před spuštění je zastaveno. Musí být kladné celé číslo. |
int |
enableOnnxNormalization | Povolení normalizace při exportu modelu ONNX | bool |
evaluationFrequency | Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | int |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při shromažďování gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
int |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo. Například předání 2 jako hodnoty pro 'seresnext' znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. | int |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". | "Žádné" "Krok" "WarmupCosine" |
modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
Hybnost | Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. | int |
Nesterov | Povolte nesterov, pokud je optimalizátor "sgd". | bool |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | int |
numberOfWorkers | Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. | int |
Optimalizátor | Typ optimalizátoru | "Adam" "Adamw" "Žádné" "Sgd" |
randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | int |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1]. | int |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | int |
trainingBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | int |
trainingCropSize | Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. | int |
validationBatchSize | Velikost dávky ověření. Musí být kladné celé číslo. | int |
validationCropSize | Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. | int |
validationResizeSize | Velikost obrázku, na kterou se má změnit velikost před oříznutím pro účely ověření datové sady. Musí být kladné celé číslo. | int |
warmupCosineLRCycles | Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. | int |
warmupCosineLRWarmupEpochs | Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. | int |
váhaDecay | Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. | int |
weightedLoss | Vážená ztráta. Akceptované hodnoty jsou 0 pro žádné vážené ztráty. 1 pro hubnutí sqrt. (class_weights). 2 pro hubnutí s class_weights. Musí být 0, 1 nebo 2. |
int |
MLFlowModelJobInput
Název | Description | Hodnota |
---|---|---|
description | Popis vstupu. | řetězec |
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
Název | Description | Hodnota |
---|---|---|
amsGradient | Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". | řetězec |
rozšíření | Nastavení pro použití rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
beta2 | Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
Distribuované | Jestli se má použít trénování distribuce. | řetězec |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | řetězec |
earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky je sledován pro brzké zastavení. Musí být kladné celé číslo. |
řetězec |
earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před spuštění je zastaveno. Musí být kladné celé číslo. |
řetězec |
enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | řetězec |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při kumulaci gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
řetězec |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
learningRate | Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. | řetězec |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". | řetězec |
modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
Hybnost | Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. | řetězec |
Nesterov | Povolte nesterov, pokud je optimalizátor "sgd". | řetězec |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | řetězec |
numberOfWorkers | Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. | řetězec |
Optimalizátor | Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". | řetězec |
randomSeed | Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. | řetězec |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | řetězec |
trénováníBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | řetězec |
trainingCropSize | Velikost oříznutí obrázku, která je vstupem do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. | řetězec |
validationBatchSize | Velikost ověřovací dávky. Musí být kladné celé číslo. | řetězec |
validationCropSize | Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. | řetězec |
validationResizeSize | Velikost obrázku, na kterou chcete před oříznutím změnit velikost datové sady pro ověření. Musí být kladné celé číslo. | řetězec |
warmupCosineLRCycles | Hodnota kosinusového cyklu při plánovači rychlosti učení je "warmup_cosine". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
warmupCosineLRWarmupEpochs | Hodnota epoch zahřátí při plánovači rychlosti učení je "warmup_cosine". Musí být kladné celé číslo. | řetězec |
váhaDecay | Hodnota hmotnosti se rozpadne, když optimalizátor je "sgd", "adam" nebo "adamw". Musí se jednat o float v rozsahu[0, 1]. | řetězec |
weightedLoss | Vážená ztráta. Přípustné hodnoty jsou 0 bez vážené ztráty. 1 pro váženou ztrátu sqrt. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0, 1 nebo 2. |
řetězec |
ImageSweepSettings
Název | Description | Hodnota |
---|---|---|
earlyTermination | Typ zásad předčasného ukončení | EarlyTerminationPolicy |
samplingAlgorithm | [Povinné] Typ algoritmů vzorkování hyperparametrů | "Bayesian" "Mřížka" "Random" (povinné) |
ImageClassificationMultilabel
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "ImageClassificationMultilabel" (povinné) |
limitSettings | [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu. | ImageModelSettingsClassification |
primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | "AUCWeighted" "Přesnost" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
prostor vyhledávání | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Související nastavení úklidu modelů a hyperparametrů | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
ImageInstanceSegmentation
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | ImageInstanceSegmentation (povinné) |
limitSettings | [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu. | ImageModelSettingsObjectDetection |
primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | "MeanAveragePrecision" |
prostor vyhledávání | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Související nastavení úklidu modelů a hyperparametrů | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
ImageModelSettingsObjectDetection
Název | Description | Hodnota |
---|---|---|
advancedSettings | Nastavení pro pokročilé scénáře | řetězec |
amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | bool |
rozšíření | Nastavení pro používání rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | int |
beta2 | Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | int |
boxDetectionsPerImage | Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
boxScoreThreshold | Během odvozu vrací pouze návrhy se skóre klasifikace vyšším než BoxScoreThreshold. Musí se jednat o float v rozsahu[0, 1]. |
int |
kontrolní bodFrequency | Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. | int |
checkpointModel | Předem vytrénovaný model kontrolních bodů pro přírůstkové trénování. | MLFlowModelJobInput |
checkpointRunId | ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. | řetězec |
Distribuované | Jestli se má použít distribuované trénování. | bool |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | bool |
earlyStoppingDelay | Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky je sledováno pro předčasné zastavení. Musí být kladné celé číslo. |
int |
earlyStoppingPatience | Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před spuštění je zastaveno. Musí být kladné celé číslo. |
int |
enableOnnxNormalization | Povolení normalizace při exportu modelu ONNX | bool |
evaluationFrequency | Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | int |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při shromažďování gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
int |
Imagesize | Velikost obrázku pro trénování a ověřování. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
int |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo. Například předání 2 jako hodnoty pro 'seresnext' znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. | int |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. | "Žádné" "Krok" "WarmupCosine" |
logTrainingMetrics | Povolte výpočetní a protokolovací metriky pro trénování. | "Zakázat" "Povolit" |
logValidationLoss | Povolte výpočetní a protokolovací ztrátu ověřování. | "Zakázat" "Povolit" |
maxSize | Maximální velikost obrázku, který se má před odesláním do páteřní sítě změnit měřítko. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
Minsize | Minimální velikost obrázku, která se má před odesláním do páteřní sítě změnit měřítko. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
název_modelu | Název modelu, který se má použít pro trénování. Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
velikost modelu | Velikost modelu. Musí to být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je model příliš velký. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
"ExtraLarge" "Velký" "Střední" "Žádné" "Small" |
Hybnost | Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. | int |
multiscale | Povolte image s více měřítky tím, že velikost obrázku se liší o +/-50 %. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
bool |
Nesterov | Povolte nesterov, pokud je optimalizátor sgd. | bool |
nmsIouThreshold | Prahová hodnota IOU použitá při odvození v nms následném zpracování. Musí se jednat o float v rozsahu [0, 1]. | int |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | int |
numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | int |
Optimalizátor | Typ optimalizátoru | "Adam" "Adamw" "Žádné" "Sgd" |
randomSeed | Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. | int |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. | int |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | int |
tileGridSize | Velikost mřížky, která se má použít pro dlaždici každého obrázku. Poznámka: TileGridSize nesmí být Žádná, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
dlaždiceOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
tilePredictionsNmsThreshold | Prahová hodnota IOU, která se použije k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
trénováníBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | int |
validationBatchSize | Velikost ověřovací dávky. Musí být kladné celé číslo. | int |
validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být plovoucí v rozsahu [0, 1]. | int |
validationMetricType | Metoda výpočtu metrik, která se má použít pro metriky ověřování. | "Coco" "CocoVoc" "Žádné" "Voc" |
warmupCosineLRCycles | Hodnota kosinusového cyklu při plánovači rychlosti učení je "warmup_cosine". Musí se jednat o float v rozsahu [0, 1]. | int |
warmupCosineLRWarmupEpochs | Hodnota epoch zahřátí při plánovači rychlosti učení je "warmup_cosine". Musí být kladné celé číslo. | int |
váhaDecay | Hodnota hmotnosti se rozpadne, když optimalizátor je "sgd", "adam" nebo "adamw". Musí se jednat o float v rozsahu[0, 1]. | int |
ImageModelDistributionSettingsObjectDetection
Název | Description | Hodnota |
---|---|---|
amsGradient | Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. | řetězec |
rozšíření | Nastavení pro používání rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | řetězec |
beta2 | Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. | řetězec |
boxDetectionsPerImage | Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
boxScoreThreshold | Během odvozu vrací pouze návrhy se skóre klasifikace vyšším než BoxScoreThreshold. Musí se jednat o float v rozsahu[0, 1]. |
řetězec |
Distribuované | Jestli se má použít trénování distribuce. | řetězec |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | řetězec |
earlyStoppingDelay | Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky je sledováno pro předčasné zastavení. Musí být kladné celé číslo. |
řetězec |
earlyStoppingPatience | Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před spuštění je zastaveno. Musí být kladné celé číslo. |
řetězec |
enableOnnxNormalization | Povolení normalizace při exportu modelu ONNX | řetězec |
evaluationFrequency | Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | řetězec |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při shromažďování gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
řetězec |
Imagesize | Velikost obrázku pro trénování a ověřování Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
learningRate | Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. | řetězec |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". | řetězec |
maxSize | Maximální velikost obrázku, který má být před odesláním do páteřní sítě přeškálován. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
Minsize | Minimální velikost image, která se má změnit na měřítko před tím, než ho nasdílíte do páteřní sítě. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
modelSize | Velikost modelu. Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
Hybnost | Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. | řetězec |
multiScale | Povolte vícenásobnou velikost obrázku tak, že velikost obrázku nastavíte o +/- 50 %. Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
Nesterov | Povolte nesterov, pokud je optimalizátor "sgd". | řetězec |
nmsIouThreshold | Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být float v rozsahu [0, 1]. | řetězec |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | řetězec |
numberOfWorkers | Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. | řetězec |
Optimalizátor | Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". | řetězec |
randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | řetězec |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1]. | řetězec |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | řetězec |
tileGridSize | Velikost mřížky, která se má použít pro dlaždici jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádný, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
tileOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v jednotlivých dimenzích Musí být float v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
tilePredictionsNmsThreshold | Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". NMS: Non-maximum potlačení |
řetězec |
trénováníBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | řetězec |
validationBatchSize | Velikost ověřovací dávky. Musí být kladné celé číslo. | řetězec |
validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být plovoucí v rozsahu [0, 1]. | řetězec |
validationMetricType | Metoda výpočtu metrik, která se má použít pro metriky ověřování. Musí to být "none", "coco", "voc" nebo "coco_voc". | řetězec |
warmupCosineLRCycles | Hodnota kosinusového cyklu při plánovači rychlosti učení je "warmup_cosine". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
warmupCosineLRWarmupEpochs | Hodnota epoch zahřátí při plánovači rychlosti učení je "warmup_cosine". Musí být kladné celé číslo. | řetězec |
váhaDecay | Hodnota hmotnosti se rozpadne, když optimalizátor je "sgd", "adam" nebo "adamw". Musí se jednat o float v rozsahu[0, 1]. | řetězec |
ImageObjectDetection
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "ImageObjectDetection" (povinné) |
limitSettings | [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení | ImageLimitSettings (povinné) |
modelSettings | Nastavení používaná pro trénování modelu. | ImageModelSettingsObjectDetection |
primaryMetric | Primární metrika pro optimalizaci pro tuto úlohu | "MeanAveragePrecision" |
prostor vyhledávání | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Související nastavení úklidu modelů a hyperparametrů | ImageSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
Regrese
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "Regrese" (povinné) |
cvSplitColumnNames | Sloupce, které se mají použít pro data CVSplit. | string[] |
featurizationSettings | Vstupy extrakce příznaků potřebné pro úlohu AutoML. | TableVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | TableFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | TableVerticalLimitSettings |
nCrossValidations | Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada. |
NCrossValidations |
primaryMetric | Primární metrika pro regresní úlohu | NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError "R2Score" "SpearmanCorrelation" |
prostor vyhledávání | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | TableParameterSubspace[] |
sweepSettings | Nastavení pro zametání modelů a ladění hyperparametrů | Nastavení tabulky |
Testdata | Otestujte vstup dat. | MLTableJobInput |
testDataSize | Část testovací datové sady, která musí být vyhrazena pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
trainingSettings | Vstupy pro trénovací fázi pro úlohu AutoML. | Nastavení regressionTrainingSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
validationDataSize | Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Použije se, když není k dispozici ověřovací datová sada. |
int |
váhový NázevSloupce | Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech jsou vážené nahoru nebo dolů. | řetězec |
Nastavení regressionTrainingSettings
Název | Description | Hodnota |
---|---|---|
allowedTrainingAlgorithms | Povolené modely pro regresní úlohu | Pole řetězců obsahující některou z těchto možností: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
blockedTrainingAlgorithms | Blokované modely pro regresní úlohu | Pole řetězců obsahující některou z těchto možností: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
enableDnnTraining | Povolte doporučení modelů DNN. | bool |
enableModelExplainability | Příznak pro zapnutí vysvětlitelnosti u nejlepšího modelu. | bool |
enableOnnxCompatibleModels | Příznak pro povolení modelů kompatibilních s onnx. | bool |
enableStackEnsemble | Povolte spuštění souboru zásobníku. | bool |
enableVoteEnsemble | Povolte spuštění hlasovacího souboru. | bool |
ensembleModelDownloadTimeout | Během generování modelu VotingEnsemble a StackEnsemble se stáhne více fitovaných modelů z předchozích podřízených spuštění. Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund. |
řetězec |
nastavení stackEnsembleSettings | Spustí se nastavení souboru zásobníku pro soubor zásobníku. | Nastavení StackEnsembleSettings |
trénovací režim | Režim TrainingMode – nastavení na "auto" je stejné jako nastavení na "nedistribuovaný", ale v budoucnu může vést k výběru režimu na základě smíšeného režimu nebo heuristiky. Výchozí hodnota je auto. Pokud je distribuované, použije se pouze distribuovaná funkce a zvolí se distribuované algoritmy. Pokud "NonDistributed", pak jsou vybrány pouze nedistribuované algoritmy. |
"Automaticky" "Distribuované" "NonDistributed" |
Klasifikace textu
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "TextClassification" (povinné) |
featurizationSettings | Vstupy extrakce příznaků potřebné pro úlohu AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | NlpFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | NlpVerticalLimitSettings |
primaryMetric | Primární metrika pro Text-Classification úkol | "AUCWeighted" "Přesnost" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
prostor vyhledávání | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
sweepSettings | Nastavení pro zametání modelů a ladění hyperparametrů | NlpSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
NlpVerticalFeaturizationSettings
Název | Description | Hodnota |
---|---|---|
datasetLanguage | Jazyk datové sady, který je užitečný pro textová data. | řetězec |
NlpFixedParameters
Název | Description | Hodnota |
---|---|---|
gradientAccumulationSteps | Počet kroků, které se mají nashromáždit přechody před spuštěním zpětného průchodu | int |
learningRate | Rychlost učení pro postup trénování | int |
learningRateScheduler | Typ rozvrhu rychlosti učení, který se má použít během postupu trénování. | "Konstanta" "ConstantWithWarmup" "Kosinus" "CosineWithRestarts" "Lineární" "Žádné" "Polynomický" |
název_modelu | Název modelu, který se má vytrénovat. | řetězec |
numberOfEpochs | Počet epoch trénování | int |
trénováníBatchSize | Velikost dávky pro trénovací proceduru. | int |
validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | int |
warmupRatio | Poměr zahřátí, který se používá spolu s LrSchedulerType. | int |
váhaDecay | Hmotnost se rozpadá pro tréninkový postup. | int |
NlpVerticalLimitSettings
Název | Description | Hodnota |
---|---|---|
maxConcurrentTrials | Maximální počet souběžných iterací Automatizovaného strojového učení | int |
maximální počet uzlů | Maximální počet uzlů, které se mají použít pro experiment. | int |
maxTrials | Počet iterací automatizovaného strojového učení | int |
timeout | Vypršel časový limit úlohy Automatizovaného strojového učení. | řetězec |
trialTimeout | Časový limit pro individuální testování HD. | řetězec |
NlpParameterSubspace
Název | Description | Hodnota |
---|---|---|
gradientAccumulationSteps | Počet kroků, které se mají nashromáždit přechody před spuštěním zpětného průchodu | řetězec |
learningRate | Rychlost učení pro postup trénování | řetězec |
learningRateScheduler | Typ rozvrhu rychlosti učení, který se má použít během postupu trénování. | řetězec |
název_modelu | Název modelu, který se má vytrénovat. | řetězec |
numberOfEpochs | Počet epoch trénování | řetězec |
trénováníBatchSize | Velikost dávky pro trénovací proceduru. | řetězec |
validationBatchSize | Velikost dávky, která se má použít při vyhodnocování. | řetězec |
warmupRatio | Poměr zahřátí, který se používá společně s LrSchedulerType. | řetězec |
váhaDecay | Hmotnost rozpadu pro trénovací proceduru. | řetězec |
NlpSweepSettings
Název | Description | Hodnota |
---|---|---|
earlyTermination | Typ zásad předčasného ukončení pro úlohu úklidu | EarlyTerminationPolicy |
samplingAlgorithm | [Povinné] Typ algoritmu vzorkování. | "Bayesian" "Mřížka" "Náhodné" (povinné) |
TextClassificationMultilabel
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "TextClassificationMultilabel" (povinné) |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | NlpFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | NlpVerticalLimitSettings |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
TextNer
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "TextNER" (povinné) |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | NlpVerticalFeaturizationSettings |
fixedParameters | Parametry modelu/trénování, které zůstanou během trénování konstantní. | NlpFixedParameters |
limitSettings | Omezení spouštění pro úlohu AutoML. | NlpVerticalLimitSettings |
searchSpace | Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. | NlpParameterSubspace[] |
sweepSettings | Nastavení pro úklid modelů a ladění hyperparametrů | NlpSweepSettings |
validationData | Vstupy ověřovacích dat. | MLTableJobInput |
Úloha příkazového řádku
Název | Description | Hodnota |
---|---|---|
jobType | [Povinné] Určuje typ úlohy. | "Command" (povinné) |
autologgerSettings | Konfigurace distribuce úlohy. Pokud je tato možnost nastavená, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. | Nastavení autologgeru |
id kódu | ID prostředku ARM pro prostředek kódu. | řetězec |
command | [Povinné] Příkaz, který se má spustit při spuštění úlohy. např. "python train.py" | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Distribuce | Konfigurace distribuce úlohy. Pokud je tato možnost nastavená, měla by to být hodnota Mpi, Tensorflow, PyTorch, Ray nebo null. | DistributionConfiguration (Konfigurace distribuce) |
environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
environmentVariables | Proměnné prostředí zahrnuté v úloze | CommandJobEnvironmentVariables |
Vstupy | Mapování vstupních datových vazeb použitých v úloze | CommandJobInputs |
Limity | Limit úlohy příkazu | CommandJobLimits |
Výstupy | Mapování výstupních datových vazeb použitých v úloze | Výstupy úloh příkazů |
queueSettings | Nastavení fronty pro úlohu | Nastavení fronty |
resources | Konfigurace výpočetního prostředku pro úlohu | Konfigurace zdroje úlohy |
AutologgerSettings
Název | Description | Hodnota |
---|---|---|
mlflowAutologger | [Povinné] Určuje, jestli je povolený modul autologger toku mlflow. | "Zakázáno" "Povoleno" (povinné) |
Konfigurace distribuce
Název | Description | Hodnota |
---|---|---|
distributionType | Nastavení typu objektu | Mpi PyTorch Ray TensorFlow (povinné) |
Mpi
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | "Mpi" (povinné) |
processCountPerInstance | Počet procesů na uzel MPI | int |
PyTorch
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | "PyTorch" (povinné) |
processCountPerInstance | Počet procesů na uzel | int |
Ray
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | "Ray" (povinné) |
adresa | Adresa hlavního uzlu Ray. | řetězec |
řídicí panel | Port pro vazbu serveru řídicího panelu. | int |
headNodeAdditionalArgs | Další argumenty předané do ray startu v hlavním uzlu. | řetězec |
includeDashboard | Zadejte tento argument pro spuštění grafického uživatelského rozhraní řídicího panelu Ray. | bool |
port | Port procesu head ray. | int |
workerNodeAdditionalArgs | Další argumenty předané do ray start v pracovním uzlu. | řetězec |
TensorFlow
Název | Description | Hodnota |
---|---|---|
distributionType | [Povinné] Určuje typ distribuční architektury. | "TensorFlow" (povinné) |
parametrServerCount | Počet úloh serveru parametrů | int |
počet pracovních procesů | Počet pracovních procesů Pokud není zadaný, použije se výchozí počet instancí. | int |
CommandJobEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
CommandJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | JobInput |
JobInput
Název | Description | Hodnota |
---|---|---|
description | Popis vstupu. | řetězec |
jobInputType | Nastavení typu objektu | custom_model Literálu mlflow_model mltable triton_model uri_file uri_folder (povinné) |
CustomModelJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
LiteralJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "literál" (povinné) |
hodnota | [Povinné] Hodnota literálu pro vstup. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
TritonModelJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "triton_model" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
UriFileJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "uri_file" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
UriFolderJobInput
Název | Description | Hodnota |
---|---|---|
jobInputType | [Povinné] Určuje typ úlohy. | "uri_folder" (povinné) |
režim | Režim doručení vstupního majetku. | "Přímé" "Stáhnout" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
CommandJobLimits
Název | Description | Hodnota |
---|---|---|
jobLimitsType | [Povinné] Typ JobLimit | "Příkaz" "Uklidit" (povinné) |
timeout | Maximální doba běhu ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. | řetězec |
Výstupy úloh příkazů
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Výstupní úloha |
Popisování ÚlohProperties
Název | Description | Hodnota |
---|---|---|
id komponenty | ID prostředku arm prostředku komponenty. | řetězec |
computeId | ID prostředku ARM výpočetního prostředku | řetězec |
konfigurace dat | Konfigurace dat použitých v úloze | LabelingDataConfiguration |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název úlohy | řetězec |
název experimentu | Název experimentu, do který úloha patří. Pokud není nastavená, úloha se umístí do experimentu Výchozí. | řetězec |
identity | Konfigurace identity. Pokud je nastaveno, měl by to být AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota je AmlToken, pokud je null. |
Konfigurace identity |
isArchived | Je prostředek archivovaný? | bool |
jobInstructions | Pokyny k označení úlohy. | LabelingJobInstructions |
typ úlohy | [Povinné] Určuje typ úlohy. | "AutoML" "Příkaz" "Popisování" "Kanál" "Spark" "Uklidit" (povinné) |
labelCategories | Označte kategorie úlohy. | PopiskyJobLabelCategories |
labelingJobMediaProperties | Typ média specifické vlastnosti v úloze. | PopisováníJobMediaProperties |
MlAssistConfiguration | Konfigurace funkce MLAssist v úloze | MLAssistConfiguration |
nastavení oznámení | Nastavení oznámení pro úlohu | Nastavení oznámení |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
konfigurace tajných kódů | Konfigurace tajných kódů, které se mají zpřístupnit za běhu | JobBaseSecretsConfiguration |
services | Seznam koncových bodů úloh. Pro místní úlohy bude koncový bod úlohy mít hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
LabelingDataConfiguration
Název | Description | Hodnota |
---|---|---|
ID dat | ID prostředku datového assetu, který se má popisovat. | řetězec |
přírůstkovádatarefresh | Určuje, jestli se má povolit přírůstková aktualizace dat. | "Zakázáno" "Povoleno" |
LabelingJobInstructions
Název | Description | Hodnota |
---|---|---|
Uri | Odkaz na stránku s podrobnými pokyny k popisování popisků. | řetězec |
PopiskyJobLabelCategories
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | LabelCategory | |
{přizpůsobená vlastnost} | LabelCategory |
LabelCategory
Název | Description | Hodnota |
---|---|---|
Třídy | Slovník tříd popisků v této kategorii. | LabelCategoryClasses |
displayName | Zobrazovaný název kategorie štítků | řetězec |
Multiselect | Určuje, zda je povoleno vybrat více tříd v této kategorii. | "Zakázáno" "Povoleno" |
LabelCategoryClasses
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Třída LabelClass |
Třída LabelClass
Název | Description | Hodnota |
---|---|---|
displayName | Zobrazovaný název třídy popisku | řetězec |
Podtříd | Slovník podtříd třídy label. | LabelClassSubclasses |
LabelClassSubclasses
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Třída LabelClass |
PopisováníJobMediaProperties
Název | Description | Hodnota |
---|---|---|
Mediatype | Nastavení typu objektu | Obrázek Text (povinné) |
LabelingJobImageProperties
Název | Description | Hodnota |
---|---|---|
Mediatype | [Povinné] Typ média úlohy. | "Image" (povinné) |
typ poznámky | Typ poznámky pro úlohu popisování obrázků. | "BoundingBox" "Klasifikace" "InstanceSegmentation" |
PopisováníJobTextVlastnosti
Název | Description | Hodnota |
---|---|---|
Mediatype | [Povinné] Typ média úlohy. | "Text" (povinné) |
typ poznámky | Typ poznámky úlohy popisování textu. | "Klasifikace" "NamedEntityRecognition" |
MLAssistConfiguration
Název | Description | Hodnota |
---|---|---|
MlAssist | Nastavení typu objektu | Zakázáno Povoleno (povinné) |
MLAssistConfigurationDisabled
Název | Description | Hodnota |
---|---|---|
MlAssist | [Povinné] Určuje, jestli je povolená funkce MLAssist. | Zakázáno (povinné) |
MLAssistConfigurationEnabled
Název | Description | Hodnota |
---|---|---|
MlAssist | [Povinné] Určuje, jestli je povolená funkce MLAssist. | "Povoleno" (povinné) |
inferencingComputeBinding | [Povinné] Výpočetní vazba AML používaná při odvozování. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
trénováníComputeBinding | [Povinné] Výpočetní vazba AML použitá při trénování. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
Úloha kanálu
Název | Description | Hodnota |
---|---|---|
typ úlohy | [Povinné] Určuje typ úlohy. | "Kanál" (povinné) |
Vstupy | Vstupy pro úlohu kanálu. | PipelineJobInputs |
Úlohy | Úlohy vytvoří úlohu kanálu. | Úlohy PipelineJobJobs |
Výstupy | Výstupy pro úlohu kanálu | Výstupní úlohy pipelineJobOutputs |
nastavení | Nastavení kanálu, například ContinueRunOnStepFailure atd. | |
ID zdrojové úlohy | ID prostředku ARM zdrojové úlohy | řetězec |
PipelineJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Pracovní pozice |
Úlohy PipelineJobJobs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} |
Výstupní úlohy pipelineJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Výstupní úloha |
SparkJob
Název | Description | Hodnota |
---|---|---|
typ úlohy | [Povinné] Určuje typ úlohy. | Spark (povinné) |
Archiv | Archivujte soubory použité v úloze. | string[] |
args | Argumenty pro úlohu. | řetězec |
id kódu | [Povinné] ID prostředku ARM prostředku kódu. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
Conf | Nakonfigurované vlastnosti Sparku | SparkJobConf |
entry | [Povinné] Položka, která se má spustit při spuštění úlohy. | SparkJobEntry (povinné) |
id prostředí | ID prostředku ARM specifikace prostředí pro úlohu. | řetězec |
environmentVariables | Proměnné prostředí zahrnuté v úloze | SparkJobEnvironmentVariables |
files | Soubory použité v úloze | string[] |
Vstupy | Mapování vstupních datových vazeb použitých v úloze | SparkJobInputs |
Sklenice | Soubory JAR použité v úloze. | string[] |
Výstupy | Mapování výstupních datových vazeb použitých v úloze | SparkJobOutputs |
pyFiles | Soubory Pythonu použité v úloze | string[] |
queueSettings | Nastavení fronty pro úlohu | Nastavení fronty |
resources | Konfigurace výpočetního prostředku pro úlohu | SparkResourceConfiguration |
SparkJobConf
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
SparkJobEntry
Název | Description | Hodnota |
---|---|---|
sparkJobEntryType | Nastavení typu objektu | SparkJobPythonEntry SparkJobScalaEntry (povinné) |
SparkJobPythonEntry
Název | Description | Hodnota |
---|---|---|
sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobPythonEntry (povinné) |
– soubor | [Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
SparkJobScalaEntry
Název | Description | Hodnota |
---|---|---|
sparkJobEntryType | [Povinné] Typ vstupního bodu úlohy | SparkJobScalaEntry (povinné) |
Classname | [Povinné] Název třídy Scala použitý jako vstupní bod. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
SparkJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Pracovní pozice |
SparkJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Výstupní úloha |
SparkResourceConfiguration
Název | Description | Hodnota |
---|---|---|
typ instance | Volitelný typ virtuálního počítače, který se používá jako podporovaný cílovým výpočetním objektem. | řetězec |
runtimeVersion | Verze modulu runtime Sparku, která se používá pro úlohu. | řetězec |
SweepJob
Název | Description | Hodnota |
---|---|---|
typ úlohy | [Povinné] Určuje typ úlohy. | "Uklidit" (povinné) |
componentConfiguration | Konfigurace komponenty pro zametení komponenty | Konfigurace komponent |
earlyTermination | Zásady předčasného ukončení umožňují zrušit spuštění s nízkým výkonem před jejich dokončením. | EarlyTerminationPolicy |
Vstupy | Mapování vstupních datových vazeb používaných v úloze | SweepJobInputs |
Limity | Limit úlohy úklidu. | SweepJobLimits |
Cílem | [Povinné] Cíl optimalizace. | Cíl (povinné) |
Výstupy | Mapování výstupních datových vazeb používaných v úloze | SweepJobOutputs |
queueSettings | Nastavení fronty pro úlohu | QueueSettings |
resources | Konfigurace výpočetních prostředků pro úlohu | JobResourceConfiguration |
samplingAlgorithm | [Povinné] Algoritmus vzorkování hyperparametrů | SamplingAlgorithm (povinné) |
searchSpace | [Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru. | |
trial | [Povinné] Definice zkušební komponenty. | Zkušební verze ( povinné) |
Konfigurace komponent
Název | Description | Hodnota |
---|---|---|
pipelineSettings | Nastavení kanálu, například ContinueRunOnStepFailure atd. |
SweepJobInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | JobInput |
SweepJobLimits
Název | Description | Hodnota |
---|---|---|
jobLimitsType | [Povinné] Typ JobLimit. | "Příkaz" "Uklidit" (povinné) |
maxConcurrentTrials | Maximální počet souběžných zkušebních verzí úlohy úklidu. | int |
maxTotalTrials | Maximální celkový počet zkušebních verzí úklidové úlohy. | int |
timeout | Maximální doba spuštění ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. | řetězec |
trialTimeout | Hodnota časového limitu zkušební verze úlohy úklidu | řetězec |
Cíl
Název | Description | Hodnota |
---|---|---|
goal | [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. | "Maximalizovat" "Minimalizovat" (povinné) |
primaryMetric | [Povinné] Název metriky, která se má optimalizovat. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
SweepJobOutputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Output úlohy |
SamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | Nastavení typu objektu | Bayesovské Mřížky Náhodné (povinné) |
BayesianSamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | [Povinné] Algoritmus používaný pro generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | "Bayesian" (povinné) |
GridSamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | [Povinné] Algoritmus používaný pro generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | "Mřížka" (povinné) |
RandomSamplingAlgorithm
Název | Description | Hodnota |
---|---|---|
samplingAlgorithmType | [Povinné] Algoritmus používaný pro generování hodnot hyperparametrů spolu s vlastnostmi konfigurace | "Náhodné" (povinné) |
logbase | Volitelné kladné číslo nebo e ve formátu řetězce, které se použije jako základ pro náhodné vzorkování založené na protokolu. | řetězec |
Pravidlo | Konkrétní typ náhodného algoritmu | "Náhodné" "Sobol" |
Osiva | Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel | int |
Zkušební verze
Název | Description | Hodnota |
---|---|---|
id kódu | ID prostředku ARM pro prostředek kódu. | řetězec |
command | [Povinné] Příkaz, který se má spustit při spuštění úlohy. např. "python train.py" | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Distribuce | Konfigurace distribuce úlohy. Pokud je tato možnost nastavená, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. | DistributionConfiguration (Konfigurace distribuce) |
environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
environmentVariables | Proměnné prostředí zahrnuté v úloze. | TrialComponentEnvironmentVariables |
resources | Konfigurace výpočetních prostředků pro úlohu | JobResourceConfiguration |
TrialComponentEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
CreateMonitorAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | "CreateMonitor" (povinné) |
monitorDefinition | [Povinné] Definuje monitorování. | MonitorDefinition (povinné) |
Definice monitoru
Název | Description | Hodnota |
---|---|---|
alertNotificationSettings | Nastavení oznámení monitoru. | Nastavení MonitorNotificationSettings |
computeConfiguration | [Povinné] ID prostředku ARM výpočetního prostředku, na který se má spustit úloha monitorování. | MonitorComputeConfigurationBase (povinné) |
monitoringTarget | ID prostředku ARM modelu nebo nasazení, na které toto monitorování cílí. | MonitoringTarget |
Signály | [Povinné] Signály k monitorování. | MonitorDefinitionSignals (povinné) |
Nastavení MonitorNotificationSettings
Název | Description | Hodnota |
---|---|---|
emailNotificationSettings | Nastavení e-mailu s oznámením AML. | Nastavení MonitorEmailNotificationSettings |
Nastavení MonitorEmailNotificationSettings
Název | Description | Hodnota |
---|---|---|
E-maily | Toto je seznam příjemců e-mailu s omezením celkem 499 znaků. | string[] |
MonitorComputeConfigurationBase
Název | Description | Hodnota |
---|---|---|
computeType | Nastavení typu objektu | ServerlessSpark (povinné) |
MonitorServerlessSparkCompute
Název | Description | Hodnota |
---|---|---|
computeType | [Povinné] Určuje typ signálu, který se má monitorovat. | "ServerlessSpark" (povinné) |
computeIdentity | [Povinné] Schéma identit, které využívají úlohy Sparku spuštěné v bezserverové službě Spark. | MonitorComputeIdentityBase (povinné) |
instanceType | [Povinné] Typ instance, která spouští úlohu Sparku. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
runtimeVersion | [Povinné] Verze modulu runtime Spark. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
MonitorComputeIdentityBase
Název | Description | Hodnota |
---|---|---|
computeIdentityType | Nastavení typu objektu | AmlToken ManagedIdentity (povinné) |
AmlTokenComputeIdentity
Název | Description | Hodnota |
---|---|---|
computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | "AmlToken" (povinné) |
ManagedComputeIdentity
Název | Description | Hodnota |
---|---|---|
computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | "ManagedIdentity" (povinné) |
identity | Identita spravované služby (identity přiřazené systémem nebo uživatelem) | ManagedServiceIdentity |
ManagedServiceIdentity
Název | Description | Hodnota |
---|---|---|
typ | Typ identity spravované služby (kde jsou povolené typy SystemAssigned i UserAssigned). | "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (povinné) |
identity_ids | Sada identit přiřazených uživatelem přidružených k prostředku. Klíče slovníku userAssignedIdentities budou ID prostředků ARM ve formátu /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Hodnoty slovníku můžou být prázdné objekty ({}) v požadavcích. | Pole ID identit uživatelů |
UserAssignedIdentities
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | UserAssignedIdentity |
UserAssignedIdentity
Tento objekt neobsahuje žádné vlastnosti, které by se nastavily během nasazování. Všechny vlastnosti jsou Jen pro čtení.
MonitoringTarget
Název | Description | Hodnota |
---|---|---|
deploymentId | ID prostředku ARM pro nasazení, na které toto monitorování cílí. | řetězec |
modelId | ID prostředku ARM modelu, na který toto monitorování cílí. | řetězec |
taskType | [Povinné] Typ úlohy strojového učení modelu. | "Klasifikace" "QuestionAnswering" "Regrese" (povinné) |
MonitorDefinitionSignals
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | MonitoringSignalBase |
MonitoringSignalBase
Název | Description | Hodnota |
---|---|---|
notificationTypes | Aktuální režim oznámení pro tento signál. | Pole řetězců obsahující některou z těchto možností: "AmlNotification" AzureMonitor |
properties | Slovník vlastností. Vlastnosti se dají přidat, ale ne odebrat ani změnit. | MonitoringSignalBaseVlastnosti |
signalType | Nastavení typu objektu | Vlastní Zápatí dat DataQuality Atribut FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (povinné) |
MonitoringSignalBaseVlastnosti
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
CustomMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Vlastní" (povinné) |
id komponenty | [Povinné] ID prostředku ARM prostředku komponenty použitého k výpočtu vlastních metrik | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
inputAssets | Monitorování prostředků, které se mají použít jako vstup Klíč je název vstupního portu komponenty, hodnota je datový asset. | CustomMonitoringSignalInputAssets |
Vstupy | Další parametry komponenty, které se mají přijmout jako vstup. Klíč je název vstupního portu komponenty, hodnota je hodnota parametru. | CustomMonitoringSignalInputs |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a související prahové hodnoty | CustomMetricThreshold[] (povinné) |
pracovní prostorPřipojení | [Povinné] Seznam metrik, které se mají vypočítat, a související prahové hodnoty | MonitoringWorkspaceConnection (povinné) |
CustomMonitoringSignalInputAssets
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | MonitoringInputDataBase |
MonitoringInputDataBase
Název | Description | Hodnota |
---|---|---|
columns | Mapování názvů sloupců na speciální použití | MonitoringInputDataBaseColumns |
Datacontext | Kontextová metadata zdroje dat. | řetězec |
jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (povinné) |
Uri | [Povinné] Identifikátor URI vstupního prostředku. | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
inputDataType | Nastavení typu objektu | Pevný Válcování Statické (povinné) |
MonitoringInputDataBaseColumns
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
FixedInputData
Název | Description | Hodnota |
---|---|---|
inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Opraveno" (povinné) |
RollingInputData
Název | Description | Hodnota |
---|---|---|
inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Rolling" (povinné) |
preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat | řetězec |
windowOffset | [Povinné] Časový posun mezi koncem datového okna a aktuálním časem spuštění monitoru. | string (povinné) |
windowSize | [Povinné] Velikost koncového datového okna. | string (povinné) |
StaticInputData
Název | Description | Hodnota |
---|---|---|
inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Statické" (povinné) |
preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat | řetězec |
oknoEnd | [Povinné] Koncové datum datového okna. | string (povinné) |
windowStart | [Povinné] Počáteční datum datového okna. | string (povinné) |
CustomMonitoringSignalInputs
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | JobInput |
CustomMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Metrika definovaná uživatelem, která se má vypočítat. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
MonitoringThreshold
Název | Description | Hodnota |
---|---|---|
hodnota | Prahová hodnota. Pokud je hodnota null, výchozí nastavení závisí na typu metriky. | int |
MonitorováníWorkspaceConnection
Název | Description | Hodnota |
---|---|---|
environmentVariables | Vlastnosti připojení služby pracovního prostoru, které se mají ukládat jako proměnné prostředí v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je klíč proměnné prostředí. |
MonitoringWorkspaceConnectionEnvironmentVariables |
Tajemství | Vlastnosti připojení služby pracovního prostoru, které se mají ukládat jako tajné kódy v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je tajný klíč. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
MonitoringWorkspaceConnectionSecrets
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
DataDriftMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | "DataDrift" (povinné) |
dataSegment | Datový segment použitý k určení rozsahu na podmnožinu datového souboru. | MonitorováníDataSegment |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataDriftMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | Nastavení důležitosti výpočetních funkcí | FeatureImportanceSettings |
funkce | Filtr funkcí, který identifikuje funkci, která se má vypočítat odchylku. | MonitoringFeatureFilterBase |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a související prahové hodnoty | DataDriftMetricThresholdBase[] (povinné) |
productionData | [Povinné] Data, pro která se bude počítat posun. | MonitoringInputDataBase (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
MonitorováníDataSegment
Název | Description | Hodnota |
---|---|---|
funkce | Funkce, podle které se mají data segmentovat. | řetězec |
values | Filtruje pouze zadané hodnoty dané segmentované funkce. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | "Kategorické" "Numerická" |
FeatureImportanceSettings
Název | Description | Hodnota |
---|---|---|
režim | Provozní režim pro výpočet důležitosti funkce. | "Zakázáno" "Povoleno" |
cílový sloupec | Název cílového sloupce v rámci vstupního datového assetu. | řetězec |
MonitoringFeatureFilterBase
Název | Description | Hodnota |
---|---|---|
Filtertype | Nastavení typu objektu | VšeFunkce FeatureSubset TopNByAttribution (povinné) |
VšeFunkce
Název | Description | Hodnota |
---|---|---|
Filtertype | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí pro výpočet metrik. | "AllFeatures" (povinné) |
FeatureSubset
Název | Description | Hodnota |
---|---|---|
Filtertype | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí pro výpočet metrik. | "FeatureSubset" (povinné) |
funkce | [Povinné] Seznam funkcí, které se mají zahrnout. | string[] (povinné) |
TopNFeaturesByAttribution
Název | Description | Hodnota |
---|---|---|
Filtertype | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí pro výpočet metrik. | "TopNByAttribution" (povinné) |
top | Počet hlavních funkcí, které se mají zahrnout. | int |
DataDriftMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
dataType | Nastavení typu objektu | Kategorické Číselné (povinné) |
KategoricalDataDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Kategorické" (povinné) |
Metrika | [Povinné] Metrika posunu dat kategorií, která se má vypočítat. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (povinné) |
NumerickáDataDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Číselné" (povinné) |
Metrika | [Povinné] Číselná metrika posunu dat, která se má vypočítat. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (povinné) |
DataQualityMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | "DataQuality" (povinné) |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataQualityMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | Nastavení důležitosti výpočetních funkcí | FeatureImportanceSettings |
funkce | Funkce pro výpočet posunu. | MonitoringFeatureFilterBase |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a související prahové hodnoty | DataQualityMetricThresholdBase[] (povinné) |
productionData | [Povinné] Data vytvořená produkční službou, pro která se budou počítat odchylky. | MonitoringInputDataBase (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
DataQualityMonitoringSignalFeatureDataTypeOverride
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | "Kategorické" "Numerická" |
DataQualityMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
dataType | Nastavení typu objektu | Kategorické Číselné (povinné) |
KategoricalDataQualityMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Kategorické" (povinné) |
Metrika | [Povinné] Kategorická metrika kvality dat, která se má vypočítat. | "DataTypeErrorRate" "NullValueRate" OutOfBoundsRate (povinné) |
NumerickýDataQualityMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Číselné" (povinné) |
Metrika | [Povinné] Číselná metrika kvality dat, která se má vypočítat. | "DataTypeErrorRate" "NullValueRate" OutOfBoundsRate (povinné) |
FeatureAttributionDriftMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | "FeatureAttributionDrift" (povinné) |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
featureImportanceSettings | Nastavení důležitosti výpočetních funkcí | FeatureImportanceSettings |
metricThreshold | [Povinné] Seznam metrik, které se mají vypočítat, a související prahové hodnoty | FeatureAttributionMetricThreshold (povinné) |
productionData | [Povinné] Data, pro která se bude počítat posun. | MonitoringInputDataBase[] (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | "Kategorické" "Numerická" |
FeatureAttributionMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Metrika atribuce funkce, která se má vypočítat. | NormalizedDiscumulativeGain (povinné) |
Práh | Prahová hodnota. Pokud je null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | "GenerationSafetyQuality" (povinné) |
metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationSafetyQualityMetricThreshold[] (povinné) |
productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a nejvýše 1. | int (povinné) |
id_pracovního_prostoru | Získá nebo nastaví ID připojení pracovního prostoru sloužící k připojení ke koncovému bodu generování obsahu. | řetězec |
GenerationSafetyQualityMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Získá nebo nastaví metriku atribuce funkce pro výpočet. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" "AcceptableRelevanceScorePerInstance" "AcceptableSimilarityScorePerInstance" "AggregatedCoherencePassRate" "AggregatedFluencyPassRate" "AggregatedGroundednessPassRate" "AggregatedRelevancePassRate" AggregatedSimilarityPassRate (povinné) |
Práh | Získá nebo nastaví prahovou hodnotu. Pokud je null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationTokenUsageSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | "GenerationTokenStatistics" (povinné) |
metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationTokenUsageMetricThreshold[] (povinné) |
productionData | Získá nebo nastaví produkční data pro výpočetní metriky. | MonitoringInputDataBase[] |
vzorkovací rychlost | [Povinné] Vzorkovací frekvence produkčních dat by měla být větší než 0 a nejvýše 1. | int (povinné) |
GenerationTokenUsageMetricThreshold
Název | Description | Hodnota |
---|---|---|
Metrika | [Povinné] Získá nebo nastaví metriku atribuce funkce pro výpočet. | "TotalTokenCount" TotalTokenCountPerGroup (povinné) |
Práh | Získá nebo nastaví prahovou hodnotu. Pokud je null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
ModelPerformanceSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | ModelPerformance (povinné) |
dataSegment | Datový segment. | MonitorováníDataSegment |
metricThreshold | [Povinné] Seznam metrik, které se mají vypočítat, a související prahové hodnoty | ModelPerformanceMetricThresholdBase (povinné) |
productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat výkon. | MonitoringInputDataBase[] (povinné) |
referenčnídata | [Povinné] Referenční data použitá jako základ pro výpočet výkonu modelu. | MonitoringInputDataBase (povinné) |
ModelPerformanceMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
typ modelu | Nastavení typu objektu | Klasifikace Regrese (povinné) |
ClassificationModelPerformanceMetricThreshold
Název | Description | Hodnota |
---|---|---|
typ modelu | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Klasifikace" (povinné) |
Metrika | [Povinné] Výkon klasifikačního modelu, který se má vypočítat. | "Přesnost" "Přesnost" "Odvolání" (povinné) |
RegressionModelPerformanceMetricThreshold
Název | Description | Hodnota |
---|---|---|
typ modelu | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Regrese" (povinné) |
Metrika | [Povinné] Metrika výkonu regresního modelu, která se má vypočítat. | "MeanAbsoluteError" "MeanSquaredError" RootMeanSquaredError (povinné) |
PredictionDriftMonitoringSignal
Název | Description | Hodnota |
---|---|---|
signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | PredictionDrift (povinné) |
featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
metricThresholds | [Povinné] Seznam metrik, které se mají vypočítat, a související prahové hodnoty | PredictionDriftMetricThresholdBase[] (povinné) |
productionData | [Povinné] Data, pro která se bude počítat posun. | MonitoringInputDataBase (povinné) |
referenčnídata | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | "Kategorické" "Numerická" |
PredictionDriftMetricThresholdBase
Název | Description | Hodnota |
---|---|---|
Práh | Prahová hodnota. Pokud je null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
dataType | Nastavení typu objektu | Kategorické Číselné (povinné) |
KategoricalPredictionDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Kategorické" (povinné) |
Metrika | [Povinné] Kategorická metrika posunu predikce, která se má vypočítat. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (povinné) |
NumericalPredictionDriftMetricThreshold
Název | Description | Hodnota |
---|---|---|
dataType | [Povinné] Určuje datový typ prahové hodnoty metriky. | "Numerická" (povinné) |
Metrika | [Povinné] Číselná metrika posunu predikce, která se má vypočítat. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (povinné) |
ImportDataAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | "ImportData" (povinné) |
dataImportDefinition | [Povinné] Definuje podrobnosti definice akce plánu. | Import dat (povinné) |
Import dat
Název | Description | Hodnota |
---|---|---|
assetName | Název prostředku pro úlohu importu dat, která se má vytvořit | řetězec |
autoDeleteSetting | Určuje nastavení životního cyklu spravovaného datového prostředku. | AutoDeleteSetting |
dataType | [Povinné] Určuje typ dat. | "mltable" "uri_file" "uri_folder" (povinné) |
identifikátor dataUri | [Povinné] Identifikátor URI dat. Příklad: https://go.microsoft.com/fwlink/?linkid=2202330 |
string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
description | Text popisu prostředku. | řetězec |
intellectualProperty | Podrobnosti o duševním vlastnictví. Používá se, pokud jsou data duševním vlastnictvím. | IntellectualProperty |
isAnonymous | Pokud je verze názvu generována systémem (anonymní registrace). U typů, kde je definována fáze, se při zadání fáze použije k naplnění IsAnonymous. | bool |
isArchived | Je prostředek archivovaný? U typů, kde je definována fáze, se při poskytnutí fáze použije k naplnění isArchived. | bool |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
source | Zdrojová data prostředku, ze které se má importovat | Zdroj importu dat |
Fázi | Fáze životního cyklu dat přiřazeného tomuto datovému assetu | řetězec |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
IntellectualProperty
Název | Description | Hodnota |
---|---|---|
Protectionlevel | Úroveň ochrany duševního vlastnictví. | "Vše" "Žádné" |
vydavatel | [Povinné] Vydavatel duševního vlastnictví. Musí být stejný jako název vydavatele registru. | string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
Zdroj importu dat
Název | Description | Hodnota |
---|---|---|
připojení | Připojení pracovního prostoru pro úložiště zdroje importu dat | řetězec |
Sourcetype | Nastavení typu objektu | Databáze file_system (povinné) |
Zdroj databáze
Název | Description | Hodnota |
---|---|---|
Sourcetype | [Povinné] Určuje typ dat. | "database" (povinné) |
query | Příkaz dotazu SQL pro zdroj databáze importu dat | řetězec |
Storedprocedure | SQL StoredProcedure u zdroje databáze importu dat | řetězec |
storedProcedureParams | Parametry SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
tableName | Název tabulky pro zdroj databáze importu dat | řetězec |
DatabaseSourceStoredProcedureParamsItem
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
FileSystemSource
Název | Description | Hodnota |
---|---|---|
Sourcetype | [Povinné] Určuje typ dat. | "file_system" (povinné) |
program | Cesta k souboru importu datSouborový zdroj systému | řetězec |
EndpointScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | "InvokeBatchEndpoint" (povinné) |
endpointInvocationDefinition | [Povinné] Definuje podrobnosti definice akce plánu. {see href="TBD" /} |
Triggerbase
Název | Description | Hodnota |
---|---|---|
endTime | Určuje čas ukončení plánu v ISO 8601, ale bez posunu UTC. Viz https://en.wikipedia.org/wiki/ISO_8601. Recommented format by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán bude běžet natrvalo. |
řetězec |
startTime | Určuje čas zahájení plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
timeZone | Určuje časové pásmo, ve kterém plán běží. Časové pásmo by mělo odpovídat formátu časového pásma Windows. Přečtěte si: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
řetězec |
triggerType | Nastavení typu objektu | Cron Opakování (povinné) |
CronTrigger
Název | Description | Hodnota |
---|---|---|
triggerType | [Povinné] | "Cron" (povinné) |
expression | [Povinné] Určuje cron výraz plánu. Výraz by měl mít formát NCronTab. |
string (povinné) Omezení: Minimální délka = 1 Pattern = [a-zA-Z0-9_] |
RecurrenceTrigger
Název | Description | Hodnota |
---|---|---|
endTime | Určuje čas ukončení plánu v ISO 8601, ale bez posunu UTC. Viz https://en.wikipedia.org/wiki/ISO_8601. Recommented format by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán bude běžet natrvalo. |
řetězec |
frequency | [Povinné] Frekvence aktivace plánu. | "Den" "Hodina" "Minuta" "Month" "Týden" (povinné) |
interval | [Povinné] Určuje interval plánu ve spojení s frekvencí. | int (povinné) |
schedule | Plán opakování. | RecurrenceSchedule |
startTime | Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
timeZone | Určuje časové pásmo, ve kterém se plán spustí. TimeZone by mělo odpovídat formátu časového pásma Windows. Viz: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones |
řetězec |
triggerType | [Povinné] | "Cron" Opakování (povinné) |
RecurrenceSchedule
Název | Description | Hodnota |
---|---|---|
hodiny | [Povinné] Seznam hodin pro plán | int[] (povinné) |
minutes | [Povinné] Seznam minut pro plán | int[] (povinné) |
monthDays | Seznam dnů v měsíci pro plán | int[] |
weekDays | Seznam dnů pro plán | Pole řetězců obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Sunday" (Neděle) "Čtvrtek" "Úterý" "Středa" |
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro